d'enseignement
en ligne
- 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
d'apprentissage
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.
La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
des acquis des étudiants
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://moodleucl.uclouvain.be/course/view.php?id=8900
et plus généralement tous les documents (énoncés des mini-projets) disponibles sur le même site.
Préalables:
- LSINF1121 : algorithmique
- LBIR1304 ou LFSAB1105 : probabilité et statistique
en charge
Programmes / formations proposant cette unité d'enseignement (UE)
d'apprentissage