v2.3.2 (2860)

Cours scientifique - MI203 : Apprentissage automatique (Machine learning)

Domaine > Sciences et technologies de l'information et de la communication.

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, les bases théoriques, et une méthodologie de conception. Il sera validé par un examen, et par la participation à une compétition de type Kaggle.

Objectifs pédagogiques

Born in the fifties with the advent of computing, but long limited to academic research,  machine learning  has recently experienced remarkable growth thanks to the availability of masses of data, high computing power (GPU) and specialized software environments ( Deep Learning ). Machine learning techniques have enabled significant performance gains over traditional complex data interpretation problems (image classification, face recognition, autonomous driving of vehicles, speech recognition, translation, medical diagnosis, etc.)

The course is an introduction to this area. Its purpose is to provide a theoretical basis, an overview and a design methodology. It will be validated by an examination, and by a participation to a Kaggle type competition.

nombre d'heure en présentiel

21

nombre de blocs

7

Volume horaire par type d'activité pédagogique : types d'activité

  • Petite classe : 12
  • Contrôle : 3
  • Cours magistral : 6

effectifs minimal / maximal

1/111

Diplôme(s) concerné(s)

Parcours de rattachement

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Bases de statistiques

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Vos modalités d'acquisition :

 Examen sur papier + microprojet sur ordinateur

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
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 1.25 ECTS
  • Scientifique acquis : 1.25

Le coefficient de l'UE est : 1.25

La note obtenue rentre dans le calcul de votre GPA.

L'UE est évaluée par les étudiants.

Programme détaillé

    1CM :
Introduction : contexte, applications et principales approches.
Théorie bayésienne de la décision et k plus-proches voisins.
    1TD :
Application à la classification de textes.

    2CM :
Apprentissage supervisé,
Machines à vecteurs de supports.
    2TD :
Etude de la régularisation,
application à la classification de chiffres.
    
    3CM :
Apprentissage supervisé
Autres classifieurs (arbres de décision, approches ensemblistes)
    3TD :
Application à la classification de base de données
    
    4CM :
Réseaux de neurones,
Rétro-propagation du gradient
    4TD :
Optimisation et influence des paramètres.

    5CM :
Apprentissage non supervisé,
Analyse en composantes principales
    5TD :
Application à la segmentation d'image

    6CM :
Réseaux de neurones profonds
    6TD :
Début du mini projet Kaggle.
    
    7CC :
Contrôle,
    7TD :
Finalisation du mini projet Kaggle

Mots clés

Apprentissage automatique; Classification : supervisée vs non supervisée; Régression; Détection; Généralisation. Classifieur de Bayes; SVM; Boosting; Bagging; Réseaux de neurones, convolutifs; Apprentissage profond. Réduction de dimension; ACP.
Veuillez patienter