Aller au menu Aller au contenu
Diversité scientifique et technologique
L'école d'ingénieurs de physique, électronique, matériaux
Diversité scientifique et technologique

> Formation

Apprentissage Automatique - 5PMSAAU4

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
  • Volumes horaires

    • CM : 14.0
    • TD : 4.0
    Crédits ECTS : 1.5

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


Prérequis

Notions élémentaires de probabilités/statistiques, filtrage

Contrôles des connaissances



Informations complémentaires

Cursus ingénieur->SICOM->Semestre 5

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

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

mise à jour le 17 juin 2014

Université Grenoble Alpes