Machine Learning : classification and evaluation [ LINGI2262 ]

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

• 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

Eu égard au référentiel AA du programme « Master ingénieur civil en informatique », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

• INFO1.1-3
• INFO2.3-4
• INFO5.3-5
• INFO6.1, INFO6.4

Eu égard au référentiel AA du programme « Master [120] en sciences informatiques », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

• SINF1.M4
• SINF2.3-4
• SINF5.3-5
• SINF6.1, SINF6.4

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 30 % de la note finale, 70 % pour l'examen (à livre fermé).

Les mini-projets NE peuvent PAS être refaits en seconde session, les 30 % sont donc déjà fixés à la fin de Q2 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.

Préalables:

• LSINF1121 : algorithmique
• LBIR1304 ou LFSAB1105 : probabilité et statistique