Descriptif
Ce cours présente les techniques principales de machine learning pour l'analyse d'images. Plus précisément :
Objectifs pédagogiques
Acquis d'apprentissage
À l'issue de ce cours, l'élève sera capable de:
- Expliquer les principes et hypothèses sous-jacentes aux différentes méthodes d'apprentissage supervisé et non-supervisé
- Identifier les avantages et les inconvénients de chaque méthode d'apprentissage supervisé et non-supervisé
- Développer les méthodes d'apprentissage supervisé et non-supervisé en language Python
- Concevoir des algorithmes en combinant les méthodes d'apprentissage et d'analyse d'image pour résoudre des problèmes sur des données réelles et de grande dimension
Compétences de rattachement (et justification)
- BC5.2 – Concevoir 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 : Conception d'algorithmes de classification d'images naturelles et médicales basés sur des modèles d'analyse d'image et d'apprentissage.
- 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 : Concevoir un algorithme d'analyse d'images en prenant en compte le nombre de données, leur taille et la puissance de calcul à disposition.
- 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 : L'UE amène les étudiants à tester les algorithmes et méthodes apprises sur des données réelles et de grande dimension.
Diplôme(s) concerné(s)
UE de rattachement
- CSC_4IMS2_TP : Filière Image (créneau B) - Semestre 2
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 20Pour les étudiants du diplôme Diplôme d'ingénieur
Vos modalités d'acquisition :
- Rendus des travaux pratiques sur machine, dans lesquels les étudiants se forment à l'implémentation des méthodes d'apprentissage enseignées (A)
- Challenge (projet) permettant de tester et analyser les méthodes d'apprentissage enseignées sur des données réelles et de grande dimension. Évaluation du projet avec rapport et code (B)
Note = 0.2 * A + 0.8 * B.
Validation pour Note >= 10.
- le rattrapage est obligatoire si :
- Note initiale < 10
Le coefficient de l'UE est : 1
L'UE est évaluée par les étudiants.
Pour les étudiants du diplôme Echange international non diplomant
Vos modalités d'acquisition :
- Rendus des travaux pratiques sur machine, dans lesquels les étudiants se forment à l'implémentation des méthodes d'apprentissage enseignées (A)
- Challenge (projet) permettant de tester et analyser les méthodes d'apprentissage enseignées sur des données réelles et de grande dimension. Évaluation du projet avec rapport et code (B)
Note = 0.2 * A + 0.8 * B.
Validation pour Note >= 10.
- le rattrapage est obligatoire si :
- Note initiale < 10
Le coefficient de l'UE est : 1
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)