Phelma Formation 2022

Machine Learning - 5PMSAST6

  • Volumes horaires

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

    Crédits ECTS

    Crédits ECTS 2.0

Objectif(s)

Introduire la théorie de la prédiction statistique (régression/classification) en grande dimension

  • Présenter les modèles/algorithmes pour l’apprentissage supervisé/non supervisé
  • Illustrer 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 : modèles linéaires et pénalisation, gradient stochastique
  • Approches sans modèle : machines à vecteurs support (SVM)
  • Approches sans modèle : arbres de décision et forêts aléatoires
  • Classification non supervisé (kmeans, modèle de mélanges gaussiens, méthodes hierarchiques)


Prérequis
  • Bases d'algèbre linéaire
  • Notions de probabilités (vecteurs aléatoires, vecteurs gaussiens, lois conditionnelles)
  • Cours d'analyse de données : analyse en composantes principales et réduction de dimension
  • Notions avancées de statistiques (inférence et théorie de la décision statistique)
  • Optimisation : optimisation convexe, optimisation sous contrainte (conditions KKT), algorithme de descente de gradient

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

MCC pour les examens écrits (ET1 et ET2) : documents interdits hormis 1 page A4 recto/verso manuscrite et personnelle



33% EN + 67% ER

Informations complémentaires

Semestre 9 - Le cours est donné uniquement en anglais EN

Cursus ingénieur->Double-Diplômes Ingénieur/Master->Semestre 9
Cursus ingénieur->Filière SICOM->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