Volumes horaires
- CM 12.0
- Projet 0
- TD 0
- Stage 0
- TP 12.0
Crédits ECTS
Crédits ECTS 3.0
Objectif(s)
Introduction à la théorie de la prédiction statistique (régression/classification)
- Présentation de modèles/algorithmes pour l’apprentissage supervisé/non supervisé
- Illustration de ces algorithmes sur différents jeux de données
(intelligence artificielle, bioinformatique, vision, etc ...)
Contenu(s)
- Introduction générale à la théorie de la prédiction (régression/classification)
- Approches génératives : analyses discriminantes, hypothèses bayésien naïf
- Approches discriminatives : régression logistique
- Approches prototype : machines à vecteurs support (SVM)
- Classification non supervisé (kmeans et modèle de mélanges)
- Apprentissage de dictionnaires / Reconstruction parcimonieuse
- Séparation de Sources
Prérequis
Notions élémentaires de probabilités/statistiques, filtrage
Contrôle des connaissances
Semestre 9 - L'examen existe uniquement en anglais
Rapport de BE
Examen écrit (2h)
Rapport de BE : 50%
Examen Ecrit : 50%
Informations complémentaires
Semestre 9 - Le cours est donné uniquement en anglais
Cursus ingénieur->Double-Diplômes Ingénieur/Master->Semestre 9
Cursus ingénieur->Masters->Semestre 9
Bibliographie
- Trevor Hastie, Robert Tibshirani et Jerome Friedman (2009), "The Elements of Statistical Learning," (2nd Edition) Springer Series in Statistics
- Christopher M. Bishop (2006), "Pattern Recognition and Machine Learning," Springer
- Richard O. Duda, Peter E. Hart et David G. Stork (2001), "Pattern classification," (2nd edition) Wiley