Phelma Formation 2022

5PMSAST6 : Machine Learning - WPMTDML0

  • Volumes horaires

    • CM 2.0
    • Projet 0
    • TD 2.0
    • Stage 0
    • TP 14.0

    Crédits ECTS

    Crédits ECTS 2.0

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 ...)
Contact Florent CHATELAIN

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 

Session 1

  • Evaluation Terminale (ET1) : devoir surveillé écrit de 2h
  • Evaluation continue (CC1) : travaux et comptes rendus de BEs

Session 2

  • Evaluation Terminale (ET2) : examen surveillé écrit de 2h
  • Evaluation continue non rattrapable : CC2 = CC1


Rapport de BE : 25%
Examen Ecrit : 75%

Informations complémentaires

Semestre 9 - Le cours est donné uniquement en anglais EN

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
  • Kevin P. Murphy (2012), "Machine Learning: a Probabilistic Perspective", The MIT Press