Fiches de cours

Apprentissage et intelligence artificielle

EE-311

Enseignant(s) :

Fleuret François
Liebling Michael Stefan Daniel

Langue:

Français

Résumé

Ce cours présente une vue générale des techniques d'apprentissage automatiques, passant en revue les algorithmes, le formalisme théorique, et les protocoles expérimentaux.

Contenu

Le cours abordera les questions suivantes:

• Introduction à la notion d'apprentissage automatique
• Régression linéaire et logistique, descente de gradient
• Machine à vecteurs de support, méthodes à noyaux
• Dilemme biais-variance, sur- et sous-apprentissage
• Plus proches voisins, clustering, mixtures de Gaussiennes, apprentissage par espérance-maximisation
• Arbres de décision, Boosting
• Réseaux de neurones artificiels, perceptron à couches multiples
• Réseaux de neurones convolutifs et profonds
• Estimation de méta-paramètres et protocoles expérimentaux
• Estimation de densité, maximum de vraisemblance, inférence Bayésienne

Mots-clés

apprentissage automatique, machine learning

Compétences requises

Cours prérequis obligatoires

• Analyse (Calcul différentiel et intégral)
• Algèbre linéaire
• Probabilités et statistiques

Acquis de formation

A la fin de ce cours l'étudiant doit être capable de:

• Reconnaitre les différents types d'apprentissage machine
• Reconnaitre le fonctionnement, le domaine d'application (conditions, limitations) de différent algorithme d'apprentissage machine
• Identifier les méthode appropriées à des problèmes pratiques les méthode appropriées à des problèmes pratiques et formaliser leur expressionet formaliser leur expression
• Implémenter des algorithmes d'apprentissage automatique
• Reconnaitre les limitation d'ordre éthique et implications légales liés à la collecte et l'utilisation de données à des fins d'apprentissage

Compétences transversales

• Utiliser une méthodologie de travail appropriée, organiser un/son travail.
• Faire preuve d'esprit critique
• Etre conscient et respecter des directives légales pertinentes et du code éthique de la profession.

Méthode d'enseignement

• Cours ex-cathedra
• Séances d'exercices-labo encadrés (combinaison d'exercices théoriques et applications informatique / programmation)

Travail attendu

• Faire tous les exercices (théoriques, problèmes de programmation)
• Participer activement au cours
• Se préparer au cours (lecture du livre de référence, consultation des resources mises à disposition sur Moodle et en lien externes)

Méthode d'évaluation

• Série d'exercices hebdomadaire notée  portant sur des dérivations théorique, des implémentations informatiques, et de la connaissance du cours (rendue sous forme de quiz Moodle) 10%
• Examen final: 90%

Encadrement

Assistants	Oui
Forum électronique	Oui

Ressources

Bibliographie

Titre:   Introduction au Machine Learning
Auteur:  Chloé-Agathe Azencott
Éditeur: Dunod, 2018
ISBN:    210078594X, 9782100785940

 

Ressources en bibliothèque

• Introduction au Machine Learning / Azencott