Descriptif
Ce cours présente les techniques principales de machine learning pour l'analyse d'images. Plus précisément :
Objectifs pédagogiques
- Apprendre les principes et hypothèses sous-jacentes aux différentes méthodes d'apprentissage
- Comprendre les avantages et les inconvénients de chaque méthode
- Apprendre à les utiliser sur des données réelles et de grande dimension
Diplôme(s) concerné(s)
Parcours de rattachement
Pour les étudiants du diplôme Diplôme d'ingénieur
Cours de base en statistiques et algèbre linéaire (MDI103, MDI104, MDI 113, MDI114 ou cours équivalents)
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Echange international non diplomant
Vos modalités d'acquisition :
1er cours et TP obligatoires
TP et Challenge
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Data & Artificial Intelligence
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
Pour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
1er cours et TP obligatoires
TP et Challenge
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
- Crédit d'UE électives acquis : 2.5
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
- Introduction à l'apprentissage non supervisé ("curse of dimensionality", ACP, ACI, NNMF)
- Introduction à l'apprentissage supervisé (overfitting, OLS, Ridge, LASSO, LDA, QDA)
- SVM (Séparateur à vaste marge)
- Arbres de décision et forêts aléatoires
- Apprentissage ensembliste
- Réseaux de neurones articifiels (ANNs)
- Réseaux de neurones convolutif (CNNs)