Formation indisponible à l'heure actuelle

Apprentissage, Réseaux de neurones et Modèles graphiques

Formation

À Montpellier ()

Prix sur demande

Appeler le centre

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

Missions, moyens et organisation
Le Cnam est placé sous la présidence de Jean-Paul Herteman, P-DG du groupe Safran, et dirigé par Olivier Faron.
Il remplit trois missions principales:
la formation professionnelle supérieure tout au long de la vie,
la recherche technologique et l'innovation,
la diffusion de la culture scientifique et technique.
Le Cnam offre des formations développées en étroite collaboration avec les entreprises et les organisations professionnelles afin de répondre au mieux à leurs besoins et à ceux de leurs salariés. Cette UE apparaît dans les diplômes et certificats suivants : Entrée
CYC47p-1 Ingénieur diplômé de l'école d'ingénieurs du Cnam Spécialité informatique, parcours Informatique modélisation optimisation (IMO)
Centres d'enseignement Entrée
MR084p-1 Master Sciences, technologies, santé mention informatique spécialité traitement de l'information et exploitation des données (voies professionnelle et voie recherche)
Centres d'enseignement Public et conditions d'accès Ce cours s'adresse aux étudiants souhaitant acquérir des connaissances sur la modélisation par apprentissage à partir des données.
Prérequis : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est recommandé d'avoir suivi l'UE RCP208.

Questions / Réponses

Ajoutez votre question

Nos conseillers et autres utilisateurs pourront vous répondre

Saisissez vos coordonnées pour recevoir une réponse

Nous ne publierons que votre nom et votre question

Les Avis

Les matières

  • Modélisation

Le programme

Contenu
  • Estimation des fonctions densités : maximum de vraisemblance, maximum a posteriori, algorithme expectation-maximization (EM) ; méthodes non paramétriques.
  • Cartes auto-organisatrices appliquées aux données quantitatives, catégorielles et mixtes.
  • Chaînes de Markov cachées.
  • Apprentissage, généralisation, techniques de régularisation.
  • Perceptrons multicouches. Fonctions d'erreur, maximum de vraisemblance, modèle multi-expert.
  • Méthodes à noyaux, machine à vecteurs supports (SVM), ingénierie des noyaux.
  • Introduction aux réseaux bayésiens.
  • Présentations d'applications réelles.
Modalités de l'évaluation Examen final et mémoire de synthèse sur un sujet précis et traitant une application réelle.
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)

Appeler le centre

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

Prix sur demande