Introduction au Machine Learning

Informations

ResponsableGilles Gasso
Enseignant(s)Gilles Gasso, Benoît Gaüzère
LangueFrançais ou anglais
Crédits4.5
Volume horaireCM : 21h TD : 21h
Site webhttps://moodle.insa-rouen.fr/course/view.php?id=92

Objectifs

  • Savoir réaliser l’analyse exploratoire, la visualisation et la description des données
  • Savoir identifier différentes catégories de problèmes d'apprentissage statistique
  • Savoir utiliser des algorithmes d’optimisation et les outils logiciels pour résoudre ces problèmes d’apprentissage statistique et de traitement de données
  • Savoir évaluer les algorithmes d'apprentissage et sélectionner le modèle adéquat

Capacités enseignées

  • Référentiel INSA :
    • Concevoir un système d'ingénierie des données [3P]
    • Optimiser un modèle [3P]
  • Référentiel CNISF :
    • J10P [2P]
    • J40K [1P]
1 - notion, 2 - théorisation, 3 - application, I - intégralement, P - partiellement

Programme

  • Concepts de l'apprentissage statistique
  • Outils d'optimisation pour l'apprentissage statistique
  • Apprentissage non-supervisé : Analyse en Composantes Principales (ACP), méthodes de clustering (Classification Hiérarchique Ascendante , K-Means, Modèles de mélanges)
  • Apprentissage supervisé : Décision Bayésienne, Régression logistique, SVM linéaire, notions de généralisation, sélection de modèle
  • Apprentissage à large échelle

Pré-requis

Notions de base en Statistiques et en programmation sous Matlab

Bibliographie

  • Christopher Bishop, Pattern Recognition and Machine Learning, 2006
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning (Data Mining, Inference, and Prediction), 2009
  • Richard Duda, Peter Hart, David Stork, Pattern Classification,

Méthode d'évaluation

  • Examen théorique : 50%
  • Examen machine : 50%