Vous êtes ici : FIL > Portail > Master Info > M1S2 > FAA

Fondements de l'Apprentissage Automatique

Cet enseignement est une option qui a lieu au second semestre du Master 1 portant sur l'apprentissage automatique.

Responsable

Pascal Denis

Volume horaire

Le cours est organisé sur 12 semaines à raison de 1h30 de Cours TD et 2h de TP machine par semaine.

Crédits

5 ECTS

dernière modification : 18/12/2018 à 12:48:31

Objectifs

L'apprentissage automatique (Machine Learning, en anglais) est un champs d'étude qui consiste à concevoir des systèmes de traitement d'informations capables d'améliorer leurs performances de manière adaptative à partir de données observées sur ce traitement. Domaine en plein essor, l'apprentissage automatique possède de nombreuses applications aussi bien scientifiques que commerciales que médicales. Ce cours fournit une introduction à cette nouvelle science des données: son objectif principal est de présenter les principaux algorithmes d'apprentissage (particulièrement supervisé), en les ancrant dans la théorie de l'apprentissage statistique et en les illustrant sur des applications et jeux de données concrets. Par le biais de ce cours, les étudiants vont acquérir les bases nécessaires à concevoir eux-mêmes des systèmes traitant automatiquement des données, à comprendre les qualités et les défauts de différents algorithmes afin d'associer le bon algorithme (et ses paramètres) à un problème donné, mais aussi à se forger un esprit critique quant aux résultats produits par les systèmes d'apprentissage.

Contenu

Ce cours est centré sur l'apprentissage supervisé et propose un programme équilibré entre théorie et pratique, couvrant ainsi des notions mathématiques et des aspects plus algorithmiques et empiriques.

Les principaux algorithmes de classification et/ou régression étudiés seront: le perceptron, la régression linéaire, la régression logistique, les réseaux de neuronnes, les machines à vecteurs de support (anglais, Support Vector Machines ou SVM) et les méthodes à noyaux.

Sur le plan théorique, nous étudierons comment caractériser mathématiquement le concept d'apprenabilité, ce qui débouchera sur la théorie de la généralisation et les notions de dimension de Vapnik-Chervonenkis (ou VC dimension) et de compromis biais-variance.

Enfin, seront également étudiées les problématiques de sur-apprentissage, de validation, sélection, et régularisation de modèles.

Bibliographie

Abu-Mostafa, Y. S., Magdon-Ismail, M., & Lin, H. T. (2012). Learning from data. New York, NY, USA: AMLBook.

Friedman, J., Hastie, T., & Tibshirani, R. (2001). The Elements of Statistical Learning. New York, NY, USA: Springer series in statistics.

Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2012). Foundations of Machine Learning. Cambridge, MA, USA: MIT press.

dernière modification : 18/12/2018 à 12:48:31
Consultez l'emploi du temps de référence du semestre sur le calendrier du portail MS2.

dernière modification : 18/12/2018 à 12:48:31

L'évaluation s'effectue suivant une procédure de contrôle continu. Trois notes seront attribuées à chaque étudiant durant le semestre :

  • TP : une note sur 20 de Travaux Pratiques attribuée par l'enseignant de Travaux Pratiques.
  • DS1 : une note sur 20 d'un devoir surveillé en milieu de semestre.
  • DS2 : une note sur 20 d'un devoir surveillé en fin de semestre.

La note finale sur 20 (N) est calculée comme une moyenne pondérée de ces notes :

N = (TP + sup(DS1 + 2*DS2, 3*DS2)) /4

La session de rattrapage remplace la partie sup(DS1 + 2*DS2, 3*DS2), la note TP est conservée.

L'unité acquise apporte 5 ECTS.


dernière modification : 18/12/2018 à 12:48:31