Apprentissage statistique : modélisation décisionnelle et apprentissage profond
Code UE : RCP209-PAR01
- Cours
- 6 crédits
- Volume horaire de référence
(+ ou - 10%) : 50 heures
Responsable(s)
Nicolas AUDEBERT
Public, conditions d’accès et prérequis
Cet enseignement s'adresse aux auditeurs et auditrices souhaitant se former à l'apprentissage statistique et à acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis : avoir un niveau équivalent licence en mathématiques et informatique (algèbre linéaire, probabilités, statistiques, analyse). Avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4) est suffisant. Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Apprentissage statistique : modélisation descriptive et introduction aux réseaux de neurones » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.
Prérequis : avoir un niveau équivalent licence en mathématiques et informatique (algèbre linéaire, probabilités, statistiques, analyse). Avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4) est suffisant. Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Apprentissage statistique : modélisation descriptive et introduction aux réseaux de neurones » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.
L'avis des auditeurs
Les dernières réponses à l'enquête d'appréciation pour cet enseignement :
Objectifs pédagogiques
Ce cours présente les méthodes modernes de modélisation décisionnelle à partir des données, notamment les machines à vecteurs supports (SVM), les forêts aléatoires et les réseaux de neurones profonds, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique ou (machine learning) permet de construire, à partir de jeux de données empiriques, des modèles pour la prise de décision. Les méthodes abordées font partie des techniques modernes pour l'intelligence artificielle et ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostic médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
L'apprentissage automatique ou (machine learning) permet de construire, à partir de jeux de données empiriques, des modèles pour la prise de décision. Les méthodes abordées font partie des techniques modernes pour l'intelligence artificielle et ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostic médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
- Bases de l'apprentissage supervisé : qu'est-ce qu'un modèle décisionnel ?
- Évaluation et sélection de modèles.
- Arbres de décision et forêts d'arbres de décision (random forest).
- Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
- Réseaux de neurones artificiels :
- apprentissage de représentations
- apprentissage profond (deep learning)
- réseaux convolutifs
- réseaux récurrents
L'UE est évaluée sur un projet personnel et un examen écrit. La note finale est la moyenne entre la note obtenue au projet et la note obtenue à l'examen.
- G. Dreyfus et al : Réseaux de neurones ( Eyrolles).
- A. Cornuéjols et al : Apprentissage artificiel : Concepts et algorithmes (Eyrolles)
- P. Naim et al : Réseaux bayésiens (Eyrolles).
- B. Scholkopf, A. J. Smola : Learning With Kernels: Support Vector Machines, Regularization, Optimization and Beyond (MIT Press).
- T. Hastie et al : The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer).
- F.V. Jensen : Bayesian Networks and Decision Graphs ( Springer-Verlag).
- C.M. Bishop : Neural Networks for Pattern Recognition (Oxford University Press)
Cette UE apparaît dans les diplômes et certificats suivants
Chargement du résultat...
Contact
Centre(s) d'enseignement proposant cette formation
-
Centre Cnam Paris
- 2022-2023 1er semestre : FOAD 100%
- 2022-2023 2nd semestre : Présentiel soir ou samedi
Comment est organisée cette formation ?Organisation de la modalité FOAD 100%
Planning
1er semestre
- Date de démarrage : 19/09/2022
- Date limite d'inscription : 02/11/2022
- Date de 1ère session d'examen : 23/01/2023
- Date de 2ème session d'examen : 24/04/2023
Précision sur la modalité pédagogique
- Regroupements physiques facultatifs : Aucun
:Organisation du déploiement de l'unité
- Délai maximum de réponse à une solicitation : sous 96 heures (Jours ouvrés)
Modes d'animation de la formation
- Forum
- Visioconférence
- Outils numériques de travail collaboratif
- Organisation d'une séance de démarrage
- Evaluation de la satisfaction
- Hot line technique
Ressources mises à disposition sur l'Espace Numérique de Formation
- Documents de cours
- Enregistrement de cours
- Bibliographie et Webographie
Activités "jalons" de progression pédagogique prévues sans notation obligatoire à rendre ou en auto-évaluation
- 2 études de cas, projets individuels
Modalité de contrôle de l'acquisition des compétences et des connaissances (validation de l'UE)
- Examens en ligne
- Projet(s) individuel(s)
- Projet(s) collectif(s)
Code UE : RCP209-PAR01
- Cours
- 6 crédits
- Volume horaire de référence
(+ ou - 10%) : 50 heures
Responsable(s)
Nicolas AUDEBERT
