Faculté des Sciences Économiques et de Gestion de Nabeul
 
Utilisateur
Mot de passe

Mastère Professionel Ingénierie des Systèmes d'Information et des Connaissances

Machine Learning

Pré-requis scientifiques

Intelligence Artificielle, Bases de données, Statistiques

Objectifs

Dans ce cours, l’étudiant(e) apprendra les principales techniques et les algorithmes d’apprentissage automatique. L’étudiant(e) y apprendra les fondements théoriques de l'apprentissage automatique ainsi que le savoir-faire pratique (par l’implémentation de ces techniques) nécessaire pour la maîtrise du comment, pourquoi et quand appliquer ces techniques à des problèmes nouveaux.

Les algorithmes d'apprentissage peuvent se catégoriser selon le mode d'apprentissage qu'ils utilisent. Nous traiterons dans ce cours l’apprentissage supervisé, l’apprentissage non supervisé, l’apprentissage semi et partiellement supervisé ainsi que l’apprentissage par renforcement. Nous étudierons aussi les différents champs d’applications nécessitant la mise en œuvre d’un système d’apprentissage automatique tels que la détection de fraude, l’analyse financière, le data mining, la classification des séquences d'ADN, les sites web adaptatifs, la reconnaissance d’objets, etc.

Plan de cours

1. Introduction Concepts de base- Définition des systèmes d’apprentissage- Buts et applications de l’apprentissage automatique- Types d’apprentissage- Développement d’un système d’apprentissage : training data, représentation des concepts, fonction d’approximation- Importance du biais.
2. Arbres de Décision Représentation des concepts sous forme d’arbres de décision- Construction- Choix des meilleurs attributs- Classification- Elagage
3. Réseaux de Neurones Les neurones et les motivations biologiques . Linear threshold units. Perceptrons. Les réseaux multicouches et la rétropropagation. Overfitting.
4. Support Vector Machines Séparateurs linéaires à vastes marges. Recherche des séparateurs à vastes marges (Quadractic programming solution). Les Kernels pour l’apprentissage des fonctions non linéaires.
5. Apprentissage bayésien Théorie des probabilités et Règle de Bayes. Algorithme d’apprentissage: Naive Bayes. Lissage des paramètres. Generative vs. discriminative training. Régression logistique. Réseaux de Bayes pour la représentation des dépendances.
6. Clustering et apprentissage non supervisé Clustering. Clustering hiérarchique. Clustering par partionnement: kmeans. Expectation maximization (EM). Apprentissage Semisupervisé basé sur EM utilisant des données etiquettées et non étiquettées.

Bibliographie

  • Pattern Recognition and Machine Learning, Christopher Bishop, Springer, 2006.
  • Apprentissage Statistique, G. Dreyfus, J.-M. Martinez, M. Samuelides, M. B. Gordon, F. Badran and S.Thiria,, Eyrolles, 2008.
  • Information Theory, Inference, and Learning Algorithms, David J.C. MacKay, Cambridge University Press, 2003.

Responsable

Organisation pédagogique

21 heures de cours
21 heures de travaux pratiques
Coefficient2
Crédits3

Modalités d'évaluation

Régime mixte

- Un examen final

- Des travaux pratiques à remettre (Weka, Matlab)

Auteur de la page : Mme Waad Bouaguel - Dernière mise à jour : 31 août 2012 à 15h52

Activités culturelles