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, et par la réalisation d'un mini projet permettant d'évaluer la capacité de mise en oeuvre d'une démarche d'apprentissage automatique sur des données réelles.
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, et par la réalisation d'un mini projet permettant d'évaluer la capacité de mise en oeuvre d'une démarche d'apprentissage automatique sur des données réelles.
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.
- 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.
21 heures en présentiel (7 blocs ou créneaux)
réparties en:
- Petite classe : 12
- Contrôle : 3
- Cours magistral : 6
effectifs minimal / maximal:
1/111Diplôme(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 20Littérale/grade européenPour 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
- 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
(CC = Contrôle de Connaissances - CM = Cours Magistral - PC = Petite Classe - TD = Travaux Dirigés sur ordinateur)
1CM :
Introduction : contexte, applications et principales approches
Théorie bayésienne de la décision et k plus-proches voisins
1TD :
Application sur un problème de classification de textes
2CM :
Apprentissage supervisé, arbres de décision et approches ensemblistes
2TD :
Application à la classification de base de données
3CM :
Neurones artificiels, fonction d'activation, réseau de neurones, rétropropagation du gradient (survol)
3TD :
Étude papier d'un petit réseau ; implémentation d'un MLP (multi-layer perceptron) simple
4CM :
Deep learning : convolution, pooling, architectures classiques
4TD :
Application sur la base de chiffres manuscrits MNIST
5CM :
Apprentissage non supervisé, analyse en composantes principales
5TD :
Application à l'analyse de bases de données simples.
6CM :
Apprentissage supervisé, machines à vecteurs de supports.
6TD :
Etude de la régularisation, application à la classification de chiffres.
7CC :
Examen écrit
7TD :
Lancement du mini projet