Machine Learning
Formation
À Cesson Sevigne
Description
-
Typologie
Formation
-
Lieu
Cesson sevigne
Dans un contexte de plus en plus orienté vers la gestion de masse importante de données, le Machine Learning recouvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement, à partir de ces données, des modèles de prédiction et de prise de décision. Ce cours s'attache à articuler les approches majeures du domaine en mettant en exergue les fondements théoriques qu'elles partagent. Cet enseignement a autant vocation de permettre aux ingénieurs d'utiliser à bon escient les outils logiciels communément disponibles que de constituer un socle généraliste préparant à une activité de recherche dans ce domaine très actif.
Les sites et dates disponibles
Lieu
Date de début
Date de début
Les Avis
Le programme
- Approche fréquentiste
- Apprentissage statistique : formalisation statistique du problème, risques et contrôle du risque, bornes, substituts du risque (classification, convexité et calibration), régularisation
- Conditionnement des données et réduction de dimension : analyse en composantes principales, méthodes non-linéaires, sélection de variables
- Machines à vecteurs supports (SVM) et méthodes à noyaux : optimisation lagrangienne et maximisation de la marge, SVMs de classification, régression, one-class, méthodes à noyaux
- Quantification Vectorielle: principe de minimisation de distorsion et ses conséquences, k-means, cartes auto-organisatrices, réseaux incrémentaux (Growing Neural Gas, ...), cas des distributions non-stationnaires
- Réseaux de neurones et deep learning : perceptrons multi-couches, réseaux récurrents, réseaux profonds et leurs méthodes de pré-apprentissage (machines de Boltzman, auto-encodeurs,...)
- Ensemble learning et arbres de décision : arbres de décision, bagging, boosting
- Bandits: problématique et applications, optimisme face à l'incertitude
- Modèles et apprentissage bayésiens
- Principes d'inférence et d'apprentissage bayésiens : inférence bayésienne, estimateurs (MAP, MLE), inférence exacte (distribution conjuguée), approchée (techniques d'échantillonnage), variables cachées et EM
- Modèles graphiques : réseaux bayésiens, champs aléatoires de Markov et champs de Markov conditionnels, inférence et apprentissage
- Méthodes bayésiennes : naive Bayes, mélanges de gaussiennes, processus gaussiens
- Modèles markoviens : processus markoviens, chaînes de Markov, chaînes de Markov cachées, filtrage bayésien
Machine Learning