Machine Learning : classification and evaluation [ LINGI2262 ]

> https://www.icampus.ucl.ac.be/claroline/course/index.php?cid=INGI2262

Connaissances de base en probabilité, statistique et algorithmique (telles que visées par les cours  BIR 1202, BIR1304 et SINF1121)

• 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

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.

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.

• Cours magistral
• Travail écrit et / ou Miniprojet (2 étudiants / groupe, de 1 à 3 semaines)
• Séance de discussion sur la correction des travaux
  

• 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

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.