Formations en Informatique de Lille
Portail pédagogique
Vous êtes ici : FIL > Portail > Master Info > Machine Learning > ASG
Apprentissage semi-supervisé et graphes (UE: ASG)
Informations Générales
Responsable Marc Tommasi
Semestre S3
Enseignement Obligatoire -- Présentiel
UEs pré-requises SD, ACT
Modalités d’évaluation CC+CT
Structure ECTS
Élément de cours Apprentissage semi-supervisé et graphes
Unité d’enseignement ASG 3
Bloc de compétence Intelligence Artificielle
Répartition horaire CM CTD TD TP à distance total
Heures encadrées 12 12 24
Heures Projet
Travail Personnel 24
Stage

dernière modification : 09/11/2021 à 07:44:01

Objectifs

À l’issue du cours, l’étudiant sera en capacité de mettre en œuvre des techniques de représentation de données sous forme de graphes, de résoudre les tâches de prédiction d’étiquettes de nœuds, de prédiction de liens, les tâches de clustering. Il pourra étudier les caractéristiques principales des grands graphes sociaux, appliquer et comprendre les algorithmes populaires comme pagerank.

Programme succinct

Dans de nombreuses situations, l’étiquetage des données est une opération manuelle et coûteuse alors qu’à l’inverse la collecte des données est automatisée et peu coûteuse. Néanmoins, en présence de grands volumes de données, les données non étiquetées apportent une information importante à propos de la distribution des données. Un des objets du cours est d’étudier comment tirer partie de cette information dans les algorithmes d’apprentissage machine. Une approche classique pour cela est de mettre en évidence la variété des données à travers une représentation sous forme de graphe et d’appliquer des méthodes de classification reposant sur ces graphes.

Par ailleurs, les méthodes d’apprentissage à partir de données sous forme de graphes peuvent aussi s’appliquer sur les données naturellement représentées comme tel. Par exemple, les données de réseaux sociaux ou des données issues de bases de données.

Le cours permettra de rattacher plusieurs notions vues dans les autres UEs : la réduction de dimension, l’apprentissage de représentations, les marches aléatoires, les algorithmes de parcours de graphes,… Les représentations matricielles des graphes, les calculs de Laplaciens de graphes et leur utilisation dans les méthodes d’apprentissage seront présentées. Un rappel des outils mathématiques nécessaires d’algèbre linéaire sera donné. Les méthodes et algorithmes seront mis en œuvre sur des données réelles.

Compétences

  • Traiter des problèmes de classification semi-supervisée
  • Représenter des données sous forme de graphe
  • Représenter et manipuler des grands graphes


dernière modification : 09/11/2021 à 07:44:01