Ce cours présente les méthodes modernes de modélisation décisionnelle à partir des données, notamment les machines à vecteurs supports (SVM), les forêts aléatoires et les réseaux de neurones profonds, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique ou (machine learning) permet de construire, à partir de jeux de données empiriques, des modèles pour la prise de décision. Les méthodes abordées font partie des techniques modernes pour l'intelligence artificielle et ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostic médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
Cet enseignement s'adresse aux auditeurs et auditrices souhaitant se former à l'apprentissage statistique et à acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis : avoir un niveau équivalent licence en mathématiques et informatique (algèbre linéaire, probabilités, statistiques, analyse). Avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4) est suffisant. Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Apprentissage statistique : modélisation descriptive et introduction aux réseaux de neurones » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.
L'UE est évaluée sur un projet personnel et un examen écrit. La note finale est la moyenne entre la note obtenue au projet et la note obtenue à l'examen.
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
Chaque séance de cours est suivie d'une séance de travaux pratiques (TP) permettant de mettre en œuvre les méthodes présentées. Les TP sont réalisés à l'aide du langage de programmation Python, en utilisant les bibliothèques logicielles Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.
Cette UE apparaît dans les diplômes et certificats suivants :
Date de début de cours : |
---|
Les dates fournies sont d'ordre général à toutes les formations. Les cours pour cette formation peuvent potentiellement commencer un peu plus tard dans le semestre. |
Tarif : |
Seul le financement à titre individuel est proposé à l'inscription en ligne. Si vous souhaitez financer votre formation par votre entreprise, vous devez demander un devis auprès de nos centres Tarifs en vigueur depuis le 17 juin 2020. |
Annuel : |
Il s'étend de fin septembre / début octobre à début juillet (dates indicatives, renseignez-vous auprès de votre centre). |
Semestre 1 : |
Il s'étend de fin septembre / début octobre à fin janvier / début février (dates indicatives, renseignez-vous auprès de votre centre). |
Semestre 2 : |
Il s'étend de fin février / début mars à début juillet (dates indicatives, renseignez-vous auprès de votre centre). |
Cours du soir : | |
---|---|
Les cours commencent le plus souvent à 18h30 dans les centres. |
|
Cours en journée : | |
Se renseigner auprès du centre pour connaître les horaires. |
|
Cours en ligne : | |
Les cours sont diffusés sous forme de séances numériques via une plateforme d'e-learning animées et tutorées par un enseignant. Des regroupements peuvent être proposés dont certains sont obligatoires. |
|
Classe virtuelle : | |
L'enseignant à distance intervient en direct et en visioconférence sur la plateforme d'e-learning. Il complète son intervention par des activités interactives (exercices échanges…) |
|
Cours en ligne hybride : | |
Cette modalité propose une majorité de cours en ligne tuteurés et des regroupements en présentiel obligatoires. |
|
Cours hybrides : | |
Cette modalité mixe des cours en présentiel (en cours du soir ou en journée) et des cours en ligne. |
|
Cours en ligne organisés par un autre centre CNAM Régional : |
|
Les cours sont diffusés sous forme de séances numériques via une plateforme d'e-learning animées et tutorées par un enseignant. |