Transcript RCP209 - Apprentissage, Réseaux de neurones et Modèles

IMO - Informatique, modélisation et optimisation - UE - 2014-2015
RCP209 - Apprentissage, Réseaux de
neurones et Modèles graphiques
Fouad BADRAN
Michel CRUCIANU
Informations
extraites de BDO
le 18-11-2014
Public concerné et conditions d'accès
Ce cours s'adresse aux étudiants souhaitant acquérir des connaissances sur la modélisation par
apprentissage à partir des données.
Pré-requis : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac
+ 4). Il est recommandé d'avoir suivi l'UE RCP208.
Contacts
Finalités de l'unité d'enseignement
Objectifs pédagogiques :
Ce cours présente une introduction à l'apprentissage à partir des données, notamment à travers les
réseaux de neurones, les Machines à Vecteurs Supports (SVM) et les méthodes graphiques, en vue de
leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles
pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des
domaines aussi divers que l'assurance qualité, la surveillance, la bio-ingénierie, la climatologie, la sécurité
environnementale, la recherche d'information, etc.
Capacités et compétences visées :
Fouille de données (data mining), aide à la décision, traitement des données dans les sciences de
l'ingénieur et les sciences de l'environnement.
Organisation
Modalités de validation :
Examen final et mémoire de synthèse sur un sujet précis et traitant une application réelle.
Projet, mémoire
Projet de synthèse sur un sujet précis et traitant une application réelle.
Contenu de la formation
. Estimation des fonctions densités : maximum de vraisemblance, maximum a posteriori, algorithme
expectation-maximization (EM) ; méthodes non paramétriques.
. Cartes auto-organisatrices appliquées aux données quantitatives, catégorielles et mixtes.
. Chaînes de Markov cachées.
. Apprentissage, généralisation, techniques de régularisation.
. Perceptrons multicouches. Fonctions d'erreur, maximum de vraisemblance, modèle multi-expert.
. Méthodes à noyaux, machine à vecteurs supports (SVM), ingénierie des noyaux.
. Introduction aux réseaux bayésiens.
. Présentations d'applications réelles.
Bibliographie
2014-11-19T01:35:47
C.M. Bishop
P. Naim et al
Responsables nationaux
Fouad BADRAN
Michel CRUCIANU
Contact à Paris
Accès 33-1-10
Case courrier: 2D4P20
Recherche opérationnelle
2 rue Conté
75003 Paris
Tél : 01 40 27 22 67
Fax : 01 40 27 27 69
[email protected]
Informations
complémentaires
Nombre de crédits enseignements ECTS
6 ECTS
Auteurs
B. Scholkopf, A. J.
Smola
F.V. Jensen
G. Dreyfus et al
A. Cornuéjols et al
T. Hastie et al
RCP209
Titre
Learning With Kernels: Support Vector Machines, Regularization,
Optimization and Beyond (MIT Press).
Bayesian Networks and Decision Graphs ( Springer-Verlag).
Réseaux de neurones ( Eyrolles).
Apprentissage artificiel : Concepts et algorithmes (Eyrolles)
The Elements of Statistical Learning: Data Mining, Inference, and
Prediction (Springer).
Neural Networks for Pattern Recognition (Oxford University
Press)
Réseaux bayésiens (Eyrolles).
INFO - Informatique
Fiche informative sans valeur contractuelle
http://deptinfo.cnam.fr/new/
infos.php?ue=RCP209