Apprentissage, réseaux de neurones et modèles graphiques
Formation
À Paris Cédex 03
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Description
-
Typologie
Formation
-
Lieu
Paris cédex 03
-
Dates de début
Dates au choix
Public et conditions d'accès
Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales ».
Objectifs pédagogiques
Ce cours présente des méthodes de modélisation décisionnelle à partir des données, notamment à travers les machines à vecteurs supports (SVM), les réseaux de neurones profonds, et la prédiction structurée, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostique médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
Compétences visées
Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.
Mots-clés
Régression linéaire
Série chronologique
Machines à vecteurs support
Modélisation quantitative
Analyse statistique des données
Data mining
Modélisation statistique
Prévision
Reconnaissance des formes
Les sites et dates disponibles
Lieu
Date de début
Date de début
À propos de cette formation
Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.
Les Avis
Les matières
- Modélisation
- Data mining
- Statistique
- Ingénierie formation
- Ingénierie
Le programme
Contenu
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
- Apprentissage supervisé : discrimination, régression, prédiction structurée.
- Evaluation et sélection de modèles.
- Arbres de décision et forêts d'arbres de décision (random forest).
- Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
- Réseaux de neurones, apprentissage de représentations, apprentissage profond (deep learning).
- Modèles graphiques, apprentissage structuré.
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.
Modalité d'évaluation
La note finale est la moyenne non pondérée entre la note obtenue au projet et la note obtenue à l'examen final.
Bibliographie
- G. Dreyfus et al : Réseaux de neurones ( Eyrolles).
- A. Cornuéjols et al : Apprentissage artificiel : Concepts et algorithmes (Eyrolles)
- P. Naim et al : Réseaux bayésiens (Eyrolles).
- B. Scholkopf, A. J. Smola : Learning With Kernels: Support Vector Machines, Regularization, Optimization and Beyond (MIT Press).
- T. Hastie et al : The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer).
- F.V. Jensen : Bayesian Networks and Decision Graphs ( Springer-Verlag).
- C.M. Bishop : Neural Networks for Pattern Recognition (Oxford University Press)
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Apprentissage, réseaux de neurones et modèles graphiques