Machine Learning : classification and evaluation [ LINGI2262 ]
5.0 crédits ECTS
30.0 h + 30.0 h
1q
Enseignant(s) |
Dupont Pierre ;
|
Langue d'enseignement: |
Anglais
|
Lieu de l'activité |
Louvain-la-Neuve
|
Ressources en ligne |
> https://www.icampus.ucl.ac.be/claroline/course/index.php?cid=INGI2262
|
Préalables |
Connaissances de base en probabilité, statistique et algorithmique (telles que visées par les cours BIR 1202, BIR1304 et SINF1121)
|
Thèmes abordés |
-
Apprentissage par recherche, par biais inductif
-
Combinaisons de décisions
-
Minimisation d'une fonction de perte, descente de gradient
-
Evaluation des performances
-
Apprentissage par mémorisation de prototypes
-
Apprentissage probabiliste
-
Classification non supervisée
|
Acquis d'apprentissage |
Les étudiants ayant suivi avec fruit ce cours seront capables de
-
comprendre et appliquer des techniques standard pour construire des programmes informatiques qui s'améliorent automatiquement avec l'expérience, en particulier pour les problèmes de classification
-
évaluer la qualité d'un modèle appris pour une tâche donnée
-
évaluer les performances relatives de plusieurs algorithmes d'apprentissage
-
justifier de l'utilisation d'un algorithme d'apprentissage particulier en prennant en compte la nature des données, le problème d'apprentissage et une mesure de performance pertinente
-
utiliser, adapter et étendre des logiciels d'apprentissage
Les étudiants auront développé des compétences méthodologiques et opérationnelles. En particulier, ils auront développé leur capacité à :
-
exploiter la documentation technique pour faire un usage efficace d'un package préexistant,
-
communiquer des résultats de test sous forme synthétique en utilisant par exemple des graphiques.
|
Modes d'évaluation des acquis des étudiants |
Les 4 mini-projets valent pour 25 % de la note finale, 75 % pour l'examen.
Une copie des slides de cours est le seul document autorisé lors de l'examen final.
Les mini-projets NE peuvent PAS être refaits en seconde session, les 25% sont donc déjà fixés à la fin de Q1 et repris tels quels dans la note finale en seconde session.
|
Méthodes d'enseignement |
-
Cours magistral
-
Travail écrit et / ou Miniprojet (2 étudiants / groupe, de 1 à 3 semaines)
-
Séance de discussion sur la correction des travaux
|
Contenu |
-
Apprentissage d'arbres de décision: ID3, C4.5, CART, Forêts aléatoires
-
Discriminants linéaires: perceptrons, descente de gradient et minimasation des moindres carrés
-
Hyperplans de marge maximale et séparateurs à vaste marge
-
Probabilités et statistiques en apprentissage automatique
-
Évaluation des performances: tests d'hypothèses, comparaisons d'algorithmes d'apprentissage, analyse ROC
-
Classificateurs gaussiens, discriminants de Fisher
-
Apprentissage bayésien: maximum de vraisemblance, maximum a posteriori, classifieur optimal, classifieur bayésien naïf
-
Apprentissage par mémorisation de prototypes: k plus proches voisins, algorithme LVQ
-
Algorithmes de classification non supervisée
|
Bibliographie |
Slides obligatoires, disponibles sur :
http://www.icampus.ucl.ac.be/claroline/course/index.php?cid=INGI2262
et plus généralement tous les documents (énoncés des mini-projets) disponibles sur le même site.
|
Cycle et année d'étude |
> Master [120] : ingénieur civil en informatique
> Master [120] en sciences informatiques
> Master [120] : ingénieur civil biomédical
> Master [120] en statistiques, orientation générale
> Master [120] : ingénieur civil en mathématiques appliquées
> Master [120] : ingénieur civil électromécanicien
> Master [120] : ingénieur civil électricien
|
Faculté ou entité en charge |
> INFO
|
<<< Page précédente
|