Machine Learning : classification and evaluation

lingi2262  2018-2019  Louvain-la-Neuve

Machine Learning : classification and evaluation
5 crédits
30.0 h + 30.0 h
Q2
Enseignants
Dupont Pierre;
Langue
d'enseignement
Anglais
Thèmes abordés
  • 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
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 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) ».
Contenu
  • Apprentissage d'arbres de décision: ID3, C4.5, CART, Forêts aléatoires
  • Discriminants linéaires: perceptrons, descente de gradient et minimisation 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
Méthodes d'enseignement
  •  Cours magistraux
  • Projets pratiques avec correction semi-automatique depuis le serveur Inginious
      (https://inginious.info.ucl.ac.be/)
  • Séances de questions/réponses via un forum sur Moodle
Modes d'évaluation
des acquis des étudiants
Les projets valent pour 20 % de la note globale, 80 % pour l'examen final (à livre fermé)
Les projets ne peuvent pas être réimplémentés en seconde session.
La note des projets est donc fixée à la fin du semestre.
Autres infos
Préalables:
- LSINF1121 Algorithmique et structures de données https://uclouvain.be/cours-lsinf1121.html - LFSAB1105 Probability and statistics: https://uclouvain.be/cours-LFSAB1105.html
Bibliographie
Slides obligatoires, disponibles sur  http://moodleucl.uclouvain.be/course/view.php?id=8900  et plus généralement tous les documents disponibles à partir du même site.
Faculté ou entité
en charge
INFO


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] : ingénieur civil en informatique

Master [120] : ingénieur civil électricien

Master [120] en statistique, orientation biostatistiques

Master [120] : ingénieur civil biomédical

Master [120] en statistique, orientation générale

Master [120] en sciences informatiques

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] en science des données, orientation statistique

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