apprentissage automatique
Le domaine de l’apprentissage automatique (« Machine Learning ») est essentiel à la fois pour le monde du traitement de données et en particulier des grandes masses de données (« Big Data »), où la diversité des données et des problématiques ainsi que la quantité des données à traiter nécessitent bien souvent l’utilisation de méthodes d’approximation des solutions par itérations successives, à la fois pour le monde de l’Intelligence Artificielle où l’apprentissage est au cœur des problématiques. Cette méthodologie spécifique d’approximation par itérations que l’on désigne sous le terme « Apprentissage », peut être fondée sur des exemples déjà connus et résolus (dits « exemples d’apprentissage », pouvant faire référence en cela à l’apprentissage humain par imitation) pour précisément guider ou accélérer l’apprentissage. Les processus d’apprentissage automatique sont l’objet d’étude de ce cours, à travers quelques techniques emblématiques dans ce domaine.
Les supports de cours pour les étudiants sont aujourd’hui sur la plateforme Moodle / Eureka de l’Université Le Havre Normandie.
Enseignant
- Rodolphe Charrier, LITIS, Université Le Havre Normandie
- Cyrille Bertelle, LITIS, Université Le Havre Normandie
Contenu
- Chapitre 0 : Introduction aux Data Sciences et à l’apprentissage automatique ; éléments de méthodologie
- Chapitre 1 : Outils d’algèbre linéaire et de représentation graphique sous environnement Python ; description de la bibliothèque NumPy
- Chapitre 2 : Techniques de régression et algorithme de descente de gradient
- Chapitre 3 : RĂ©gression polynomiale, sur-apprentissage et compromis biais-variance
- Chapitre 4 : Techniques de classification ; classification bayésiennes naïves ; régression logistique
- Chapitre 5 : Techniques de clustering ; méthodes des Kmeans
- Chapitre 6 : RĂ©seaux de neurones artificiels ; perceptron multicouche ; Cartes de Kohonen
- Chapitre 7 : Deep Learning ; réseaux de convolution ; initiation à TensorFlow et Keras
- Chapitre 8 : Apprentissage par renforcement
Bibliographie générale principale
- E. Biernat, M. Lutz, “Data science : fondamentaux et études de cas”, Eyrolles 2015
- C. Touzet, “Les réseaux de neurones artificiels, introduction au connexionisme”, (seconde édition),
- MathWorks, Introducing Machine Learning
- WikiStat, Apprentissage Machine / Statistique