v2.11.0 (5687)

Cours scientifiques - MI201 : 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, 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.

21 heures en présentiel (7 blocs ou créneaux)
réparties en:
  • 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 : 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

 

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