Descriptif
Née dans les années 50 avec l'apparition de l'informatique, l’apprentissage automatique a connu récemment un essor remarquable grâce à la disponibilité de masses de données, de grandes puissances de calcul (GPU) et d’environnements logiciels spécialisés ("Deep Learning"). Les techniques d’apprentissage automatique ont permis un gain de performances important sur des problèmes classiques d’interprétation de données complexes (classification d’images, reconnaissance de visages, conduite de véhicule autonome, reconnaissance de la parole, traduction, diagnostic médical, etc.)
Le cours se veut une introduction à ce domaine. Il vise à en donner une vision d’ensemble, quelques bases théoriques, et une méthodologie de conception. Il sera validé par un examen.
Il présente une introduction générale au problème de l'apprentissage automatique : induction d'arbres de décision, induction de concepts à partir d'observations, induction de programmes logiques, connexionisme et algorithmes génétiques, apprentissage par analogie
Objectifs pédagogiques
Etre capable :
- de mettre en œuvre, dans le cadre d’applications et données concrètes, les concepts théoriques et les outils mathématiques proposés dans le cours ;
- de construire et justifier une approche à partir d’une analyse des données et du problème, et de l’évaluer ;
- de recourir à des outils et environnements logiciels de conception modernes.
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées
Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)- le rattrapage est obligatoire si :
- Note initiale < 6
- le rattrapage peut être demandé par l'étudiant si :
- 6 ≤ note initiale < 10
- Crédits ECTS acquis : 2 ECTS
- Scientifique acquis : 2
Le coefficient de l'UE est : 1
La note obtenue rentre dans le calcul de votre GPA.
L'UE est évaluée par les étudiants.
Programme détaillé
1: Introduction : contexte, applications et principales approches. Théorie bayésienne de la décision et k plus-proches voisins; Application sur un problème de classification de textes
2: Apprentissage supervisé, arbres de décision et approches ensemblistes; Application à la prédiction des votes lors d'une électio
3. Apprentissage supervisé, machines à vecteurs de supports; Etude de la régularisation, application à la classification de chiffres.
4 Neurones artificiels, fonction d'activation, réseau de neurones, rétropropagation du gradient (survol); Étude papier d'un petit réseau ; implémentation d'un MLP (multi-layer perceptron) simple
5. Deep learning : convolution, pooling, architectures classiques; Application sur la base de chiffres manuscrits MNIST
6 Apprentissage non supervisé, analyse en composantes principales Analyse de bases de données simples.
7. éxamen écrit