Machine learning 1 (DATA832_IDU)

Volume horaire

CM : 9h / TD : 9h / TP : 12h

Objectifs

- transformer un problème fonctionnel en un problème d'apprentissage automatique

- réaliser une classification supervisée en exploitant les modèles et méthodes d'apprentissage classiquement disponibles dans les logiciels de fouille de données

- construire des groupes homogènes d'individus similaires

Compétences acquises

A l'issue de ce cours, l'étudiant sera capable :

- de formuler un problème d'apprentissage par un triplet (données, objectifs, modèles)

- de positionner un problème particulier dans la typologie des problèmes abordés en apprentissage automatique

- de formuler une procédure d'évaluation d'un système appris

- d'expliquer, analyser et interpréter les principes de base des approches supervisées usuelles (arbres de décision, réseaux de neurones, systèmes bayésiens)

- de mettre en forme les données, configurer et paramétrer correctement les différents types de modèles et méthodes

- d'évaluer et comparer différents modèles appris

- d'exploiter des algorithmes de clustering hiérarchique ou de partitionnement

- de construire et d'utiliser une métrique de distance/similarité adaptée aux données en contexte supervisé ou non

Pré-requis

MATH741 Probabilités Statistiques

DATA732 Analyse et visualisation de données

INFO501 Numération et algorithmique

INFO641 Conception et programmation orientée objet

Plan du cours

  1. Typologie de problèmes en apprentissage automatique
    1. classification
    2. détection d'anomalies
    3. régression
    4. clustering
    5. renforcement
  2. Formulation d'un problème et évaluation d'une solution
    1. objectifs
    2. données
    3. modèles et algorithmes
    4. approches supervisées / non-supervisées
  3. Classification supervisée
    1. arbres de décision
    2. réseaux de neurones
    3. classifieurs et réseaux bayésiens
    4. raisonnement à partir de cas
  4. Classification non-supervisée
    1. réduction de dimension
    2. méthodes par partitionnement
    3. méthodes hiérarchiques
    4. règles d'association

Bibliographie

  • E. Biernat, M. Lutz, Data Science : fondamentaux et études de cas - Machine learning avec Python et R,  Eyrolles 2015
  • T.M Mitchell, Machine Learning, McGraw-Hill Series, 1997
  • I.A Witten, E. Franck, Data mining - Practical machine learning tools and techniques with Java implementations, Morgan Kaufman Publishers, 1999

Diplômes intégrant ce cours

En bref

Langue d'enseignement
Français

Contact(s)

UFR, Écoles, Instituts

Lieu(x)

  • Annecy-le-Vieux (74)