Machine Learning

Informations

Objectifs

• Familiariser les étudiants aux problèmes liés à l'analyse de grandes masses de données.
• Connaître les approches non linéaires issues de la théorie statistique de l'apprentissage.
• Connaître les travaux de recherche à l'état de l'art
• Savoir mettre en œuvre ces approches en utilisant les bibliothèques de machine learning python (SciKitLearn, Keras, etc.).

Capacités enseignées

• Référentiel INSA :
  • Concevoir un système d'ingénierie des données [3P]
  • Déterminer des classes de problèmes [3P]
• Référentiel CNISF :
  • J40K [1P]
  • J10C [2I]

Programme

• Machines à noyaux (SVM)
• Deep learning (CNN, LSTM, etc.)
• Arbres de décision et forêts aléatoires

Pré-requis

• Introduction au machine learning

Bibliographie

• Trevor Hastie, Robert Tibshirani and Jerome Friedman, The Elements of Statistical Learning:. Data Mining, Inference, and Prediction, springer, 2001
• John Shawe-Taylor and Nello Cristianini Kernel Methods for Pattern Analysis, Cambridge University Press, 2004
• Ian Goodfellow, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. The MIT Press.

Méthode d'évaluation

• Projet : 40%
• Examen machine : 60%