Descriptif
Ce cours est recommandé aux étudiants des filières IMA ou IGR. Ces étudiants peuvent suivre soit SI221-A en P1 ou SI221-B en P3. Le cours SI221-A est destiné aux étudiants plus enclins à une approche conceptuelle plus mathématique et le cours SI221-B est destiné aux étudiants plus enclins à une approche opérationelle plus pratique.
A l'issue de cette formation, les étudiants auront des connaissances utiles pour aborder les filières Images, Signal, Interaction homme-machine et Systèmes embarqués, ainsi que des applications liées par exemple à l'indexation ou au dialogue homme-machine.
L'objectif de cette formation est d'enseigner les méthodes de base de classification pour la reconnaissance des formes et la fouille de données. Ces méthodes seront illustrées sur des cas concrets, issus notamment des domaines de l'imagerie satellitaire, de la reconnaissance de l'écriture et de la reconnaissance de la langue.
Une part importante de l'enseignement est consacrée à des séances de travaux pratiques.
A l'issue de cette formation, les étudiants auront des connaissances utiles pour aborder les filières Images, Signal, Interaction homme-machine et Systèmes embarqués, ainsi que des applications liées par exemple à l'indexation ou au dialogue homme-machine.
L'objectif de cette formation est d'enseigner les méthodes de base de classification pour la reconnaissance des formes et la fouille de données. Ces méthodes seront illustrées sur des cas concrets, issus notamment des domaines de l'imagerie satellitaire, de la reconnaissance de l'écriture et de la reconnaissance de la langue.
Une part importante de l'enseignement est consacrée à des séances de travaux pratiques.
Objectifs pédagogiques
Acquis d'apprentissageÀ l'issue de l'UE, l'élève sera capable de:
- Décrire les grandes catégorisation des méthodes d'apprentissage automatique (supervision, modélisation) et leurs utilisation.
- Expliquer les différences entre différents types de modèles dans leur approche d'une même tâche comme la classification.
- Appliquer ces modèles à des problèmes concrets classiques de l'apprentissage automatique.
Compétences de rattachement (et justification)
- BC5.1 – Modéliser mathématiquement une situation, des données, des phénomènes physiques dans le contexte du numérique; Justification : Dans l'exposé des modélisations classiques utilisées en apprentissage automatique et le choix du type d'approche à suivre pour un problème donné.
- BC5.4 – Tester, gérer un système de traitement de données, d’intelligence artificielle, d’apprentissage machine dans un objectif d’aide à la décision ou de recherche automatique d’information; Justification : Dans la mise en œuvre de plusieurs démarches d'entraînement et d'utilisation des modèles.
24 heures en présentiel (16 blocs ou créneaux)
réparties en:
- Travaux Pratiques : 12
- Contrôle de connaissance : 1.5
- Leçon : 9
- Travaux Dirigés : 1.5
effectifs minimal / maximal:
/55Diplôme(s) concerné(s)
- Echange international non diplomant
- Programme de mobilité des établissements français partenaires
- Diplôme d'ingénieur
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Programme de mobilité des établissements français partenaires
Vos modalités d'acquisition :
L'évaluation est basée sur deux éléments:
- Des TP notés, à rendre à la fin de la séance pour évaluer la mise en œuvre des méthodes,
- Un examen sous forme de contrôle de connaissances, afin d'évaluer les autres acquis.
- Crédits ECTS acquis : 2.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Echange international non diplomant
Pour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
L'évaluation est basée sur deux éléments:
- Des TP notés, à rendre à la fin de la séance pour évaluer la mise en œuvre des méthodes,
- Un examen sous forme de contrôle de connaissances, afin d'évaluer les autres acquis.
- Crédits ECTS acquis : 2.5 ECTS
- Crédit d'UE partagées acquis : 2.5
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
Classification supervisée et non supervisée. Décision Bayesienne. Courbes ROC. Méthodes neuronales. K plus proches voisins. Introduction aux modèles de Markov. ACP. K-moyennes.
Mots clés
Apprentissage automatique, Théorie de la décision, Modèles de Markov, Systèmes LinéairesMéthodes pédagogiques
Les concepts clés sont présentés en cours magistral et mis en application via un TD/TP. Des TP servent aussi à introduire des concepts pratiques.Ressources: Slides + bibliographie et de nombreuses ressources supplémentaires, parmi lesquelles la documentation des modèles, disponibles en ligne.