Machine learning seminar [ LINGI2379 ]

> https://icampus.uclouvain.be/claroline/course/index.php?cid=lingi2379

Les thèmes du séminaire sont choisis dans le domaine de l'apprentissage automatique.

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
• INFO3.1, INFO3.2
• INFO5.3-6
• INFO6.1, INFO6.3, 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
• SINF3.1, SINF3.2
• SINF5.3-6
• SINF6.1, SINF6.3, SINF6.4

Les étudiants ayant suivi avec fruit ce cours seront capables de

• étudier en groupe des questions actuelles en apprentissage automatique (machine learning), reconnaissance des formes (pattern recognition) ou analyse de données
• synthétiser un article scientifique ou technique du domaine, le faire comprendre à des collègues, et en discuter avec un point de vue critique

L'évaluation porte sur la qualité des présentations faites par chaque étudiant
devant les autres participants au séminaire.

La note globale se compose de :
- 50 % sur la qualité pédagogique de la présentation
- 50 % sur l'exactitude du contenu scientifique de l'exposé

En seconde session, l'évaluation porte à 100 % sur un rapport écrit remis au professeur
le premier jour de la session d'examen.

Le cours est organisé sous forme de séminaire où les étudiants se réunissent régulièrement pour présenter et discuter des dernières publications scientifiques.

Les séminaires pourront être présentés en anglais ou en français par les étudiants.

Exemples de thèmes :

• Méthodes d'apprentissage semi-supervisé
• Fouille de données structurées (graphes, arbres, séquences, etc)
• Méthodes à noyaux en classification et régression
• Méthodes de sélection de variables
• Modèles de Markov cachés et leurs applications
• Algorithmes de boosting et bagging
• Techniques d'induction d'automates

Des articles scientifiques en Machine Learning, complété par l'un ou l'autre textbooks avancés selon le choix de sujet des étudiants.

Exemples:

• Statistics for High-Dimensional Data: Methods, Theory and Applications, Bühlmann and van Geer, Springer 2011.
• Nonlinear Dimensionality Reduction, Lee and Verleysen, Springer, 2007.
• Computational Methods of Feture Selection, Liu and Motoda, Chapman & Hall/CRC, 2008.

Préalables (avoir suivi au moins l'un des cours suivants) :

• LINGI2262 Machine Learning
• LELEC2870 Réseaux de neurones artificiels
• LSINF2275 Fouille de données et aide à la décision