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 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.

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.

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 :
  • 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.
Chaque séance de cours est suivie d'une séance de travaux pratiques (TP) permettant de mettre en œuvre les méthodes présentées.
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...
Patientez
Intitulé de la formation
Type
Modalité(s)
Lieu(x)
Lieu(x) À la carte
Lieu(x) À la carte
Lieu(x) Paris
Lieu(x) Alternance
Lieu(x) Occitanie
Lieu(x) Package
Lieu(x) Grand-Est
Lieu(x) À la carte
Lieu(x) Alternance
Lieu(x) Occitanie
Lieu(x) À la carte
Lieu(x) À la carte
Lieu(x) Paris
Intitulé de la formation Type Modalité(s) Lieu(x)

Contact

EPN05 - Informatique
2 rue Conté
75003 Paris
Tel :01 40 27 22 58
Swathi Rajaselvam

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)
    :