5PMSAST6 : Machine Learning - WPMTDML0
A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail
Volumes horaires
- CM : 12.0
- TD : 0
- TP : 8.0
- Projet : 0
- Stage : 0
Crédits ECTS : 2.0
Objectifs
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 - 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
PrérequisNotions élémentaires de probabilités/statistiques, filtrage
Contrôles des connaissances Rapport de BE
Examen écrit (2h)
Rapport de BE : 25%
Examen Ecrit : 75%
Informations complémentaires 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
A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail
mise à jour le 29 juillet 2020