Machine Learning : regression, dimensionality reduction and data visualization

lelec2870  2017-2018  Louvain-la-Neuve

Machine Learning : regression, dimensionality reduction and data visualization
5 crédits
30.0 h + 30.0 h
Q1
Enseignants
Lee John (supplée Verleysen Michel); Verleysen Michel;
Langue
d'enseignement
Anglais
Thèmes abordés
Méthodes d'analyse de données linéaires et non-linéaires, en particulier à des fins de régression et de réduction de dimension, y compris pour la visualisation.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1

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

  • AA1.1, AA1.2, AA1.3
  • AA3.1, AA3.2, AA3.3
  • AA4.1, AA4.2, AA4.4
  • AA5.1, AA5.2, AA5.3, AA5.5
  • AA6.3

Plus précisément, au terme du cours, l'étudiant sera capable de :

- Comprendre et appliquer des techniques d'apprentissage automatique (machine learning) pour l'analyse de données et de signaux, en particulier pour des problèmes de régression et de prédiction.

- Comprendre et appliquer des techniques linéaires et non linéaires de visualisation de données.

- Evaluer les performances de ces méthodes par des techniques appropriées.

- Guider les choix à effectuer parmi les méthodes existantes sur base de la nature des données et des signaux à analyser

 

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) ».
Contenu
  • Régression linéaire
  • Régression non-linéaire avec perceptrons multi-couches
  • Clustering et quantification vectorielle
  • Régression non-linéaire avec réseaux à fonctions radiales de base
  • Régression probabiliste
  • Modèles ensemblistes
  • Sélection de modèles
  • Analyse en Composantes Principales
  • Réduction non-linéaire de dimension et visualisation de données
  • Analyse en Composantes Indépendantes
  • Méthodes à noyaux
Méthodes d'enseignement
Cours en auditoire, exercices, travaux pratiques sur ordinateur, projet individuel ou en binôme
Modes d'évaluation
des acquis des étudiants
Examen oral (si le nombre d'inscrits le permet) à livre fermé.
Bibliographie
Divers livres de références (mais non obligatoires) mentionnés sur le site du cours
Faculté ou entité
en charge
ELEC


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur civil en science des données

Master [120] : bioingénieur en gestion des forêts et des espaces naturels

Master [120] : ingénieur civil électricien

Master [120] : bioingénieur en sciences agronomiques

Master [120] : ingénieur civil biomédical

Master [120] en statistiques, orientation générale

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] : ingénieur civil en informatique

Master [120] : bioingénieur en chimie et bioindustries

Master [120] : bioingénieur en sciences et technologies de l'environnement

Master [120] en sciences informatiques

Master [120] en science des données, orientation statistique

Master [120] en science des données, orientation technologie de l'information