Apprentissage statistique : modélisation décisionnelle et apprentissage profond
Code UE : RCP209-PAR01
- Cours
- 6 crédits
Responsable(s)
Nicolas THOME
Public, conditions d’accès et prérequis
Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.
Prérequis obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales » 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 des méthodes de modélisation décisionnelle à partir des données, notamment à travers les machines à vecteurs supports (SVM), les réseaux de neurones profonds, et la prédiction structurée, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostique 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 permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostique 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.
Compétences visées
Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.
- Apprentissage supervisé : discrimination, régression, prédiction structurée.
- Evaluation 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, apprentissage de représentations, apprentissage profond (deep learning).
- Modèles graphiques, apprentissage structuré.
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.
La note finale est la moyenne non pondérée entre la note obtenue au projet et la note obtenue à l'examen final.
- 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
- 2021-2022 1er semestre : FOAD 100%
- 2021-2022 2nd semestre : Présentiel soir ou samedi
Comment est organisée cette formation ?Organisation de la modalité FOAD 100%
:Planning
1er semestre
- Date de démarrage : 20/09/2021
- Date limite d'inscription : 02/11/2021
- Regroupements facultatifs : aucun
- Date de 1ère session d'examen : 24/01/2022
- Date de 2ème session d'examen : 25/04/2022
Accompagnement
- Plateforme Moodle
- Forum
- Classe virtuelle
- Séance de démarrage
Ressources mises à disposition de l'auditeur
- Documents de cours
- Enregistrement de cours
- Documents d'exercices, études de cas activités
- Bibliographie et webographie
Modalités de validation
- Contrôle continu
- Examen sur table
Code UE : RCP209-PAR01
- Cours
- 6 crédits
Responsable(s)
Nicolas THOME
Semestre 2
