Apprentissage statistique : modélisation décisionnelle et apprentissage profond
RCP209
Objectifs pédagogiques :
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.
Public et conditions d'accès :
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.
Méthodes de validation :
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.
Contenu de la formation :
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
- Bases de l'apprentissage supervisé : qu'est-ce qu'un modèle décisionnel ?
- Évaluation et sélection de modèles.
- Arbres de décision et forêts d'arbres de décision (random forest).
- Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
- Réseaux de neurones artificiels :
- apprentissage de représentations
- apprentissage profond (deep learning)
- réseaux convolutifs
- réseaux récurrents
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.
Bibliographie :
- G. Dreyfus et al: Réseaux de neurones ( Eyrolles).
- A. Cornuéjols et al: Apprentissage artificiel : Concepts et algorithmes (Eyrolles)
- P. Naim et al: Réseaux bayésiens (Eyrolles).
- B. Scholkopf, A. J. Smola: Learning With Kernels: Support Vector Machines, Regularization, Optimization and Beyond (MIT Press).
- T. Hastie et al: The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer).
- F.V. Jensen: Bayesian Networks and Decision Graphs ( Springer-Verlag).
- C.M. Bishop: Neural Networks for Pattern Recognition (Oxford University Press)
Cette UE apparaît dans les diplômes et certificats suivants :
- CS9700A : Certificat de spécialisation Intelligence artificielle
- CS10900A : Certificat de spécialisation Intelligence artificielle et calcul scientifique
- CYC9102A : Diplôme d'ingénieur Spécialité informatique parcours Informatique modélisation optimisation
- CYC9106A : Diplôme d'ingénieur Spécialité informatique parcours Cybersécurité
- MR11604A : Master Sciences, technologies, santé mention Informatique parcours Traitement de l'information et exploitation des données
Informations, Orientation & Inscription
Prochaines sessions de formation
Filtres :
-
-
Paris
Semestre 1
Cours en ligne -
Paris
Semestre 2
Cours du soir (Jeudi)
-
Légende :
| 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. |
