Descriptif
Cours en anglais
L'apprentissage statistique s'intéresse à l'inférence de modèles pour la reconnaissance de formes, la prédiction et le diagnostic, dans un cadre probabiliste et statistique.
Dans ce cours, l'étudiant apprendra
- d'abord à poser un problème d'apprentissage supervisé (classification et régression) en le formulant comme un problème d'optimisation de critères statistiques,
- à développer un algorithme dapprentissage approprié
- et à évaluer la fonction de classification ou de régression ainsi construite.
Les principaux modèles et algorithmes de l'apprentissage supervisé tels que le perceptron, SVM/SVR, arbre, méthodes d'ensemble) seront étudiés ainsi que quelques approches génératives. Une courte introduction à l'apprentissage non supervisé sera également proposée.
L'apprentissage statistique s'intéresse à l'inférence de modèles pour la reconnaissance de formes, la prédiction et le diagnostic, dans un cadre probabiliste et statistique.
Dans ce cours, l'étudiant apprendra
- d'abord à poser un problème d'apprentissage supervisé (classification et régression) en le formulant comme un problème d'optimisation de critères statistiques,
- à développer un algorithme dapprentissage approprié
- et à évaluer la fonction de classification ou de régression ainsi construite.
Les principaux modèles et algorithmes de l'apprentissage supervisé tels que le perceptron, SVM/SVR, arbre, méthodes d'ensemble) seront étudiés ainsi que quelques approches génératives. Une courte introduction à l'apprentissage non supervisé sera également proposée.
Objectifs pédagogiques
Acquis d'apprentissageÀ l'issue de l'UE, l'élève sera capable de:
- Expliquer les concepts fondamentaux de l'apprentissage statistique et les relier aux choix essentiels (représentation, modélisation, optimisation, évaluation) à réaliser devant un problème donné.
- Expliquer les modèles et les algorithmes d'apprentissage qui leur sont dédiés, le raisonnement sous-tendant leur construction, et les comparer entre eux.
- Mettre en œuvre les méthodes (neuronales ou non) sur des tâches de classification supervisée ou de régression; notamment, les évaluer.
Compétences de rattachement (et justification)
- BC5.1 – Modéliser mathématiquement une situation, des données, des phénomènes physiques dans le contexte du numérique; Justification : Dans l'étude des concepts de l'apprentissage statistique et leur application à des problèmes concrets par l'intermédiaire de choix de modélisation.
- BC5.3 – Structurer, dimensionner 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 l'étude des choix de représentation, modélisation, d'évaluation selon 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 des principales méthodes abordées à des tâches de classification.
24 heures en présentiel (16 blocs ou créneaux)
réparties en:
- Contrôle de connaissance : 1.5
- Travaux Pratiques : 9
- Leçon : 12
Diplôme(s) concerné(s)
Parcours de rattachement
Pour les étudiants du diplôme Diplôme d'ingénieur
SD204. Modèles linéaires, régularisation
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Echange international non diplomant
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 final écrit pour évaluer les autres acquis.
La note obtenue rentre dans le calcul de votre GPA.
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 final écrit pour évaluer les autres acquis.
- 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
Mots clés
Apprentissage statistique, Apprentissage automatiqueMéthodes pédagogiques
Les concepts clés sont présentés en cours magistral et mis en application via un TP correspondant, en python. L'évaluation se fait par contrôle de connaissance et la notation des TP.Ressource: Slides + bibliographie disponible en ligne, ainsi que la documentation des librairies utilisées.
