Machine learning : regression, deep networks and dimensionality reduction

Enseignants

Lee John; 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

Contenu

• Régression linéaire
• Régression non-linéaire avec perceptrons multi-couches (MLP)
• Réseaux profonds (convolutionnels CNN et adversariels GAN)
• Clustering et quantification vectorielle
• Régression non-linéaire avec réseaux à fonctions radiales de base (RBFN)
• Sélection de modèles
• Sélection de variables
• Analyse en Composantes Principales (PCA)
• Réduction non-linéaire de dimension et visualisation de données
• Analyse en Composantes Indépendantes (ICA)
• Méthodes à noyaux (SVM)

Méthodes d'enseignement

Cours magistral en auditoire si les conditions sanitaires le permettent, avec retransmission et/ou enregistrement video si les conditions sanitaires l’exigent.  Travaux pratiques encadrés sur ordinateur, et projet à réaliser individuellement ou en binome.

Modes d'évaluation
des acquis des étudiants

L’évaluation comprends deux parties.
1) Un travail à effectuer pendant le quadrimestre et qui fait l’objet de questions lors de l’examen;
2) Un examen écrit ou oral portant sur le cours et les séances de travaux pratiques.
La partie 1) compte pour 50% des points de l’évaluation finale, la partie 2) pour 50%. 
Les étudiants ayant remis un travail pendant le quadrimestre et ayant participé à l’examen durant la session de janvier, peuvent sur demande conserveur leurs points de la partie 1) pour un éventuel examen lors de la session d’août.  Dans le cas contraire, les étudiants seront réévalués sur la partie 1), sur une nouvelle version du travail remis avant la session d’examen (date à confirmer), ou à défaut sur la version initiale.

Ressources
en ligne

Cours : LELEC2870 - Machine learning : regression, deep networks and dimensionality reduction (uclouvain.be) 

Bibliographie

Divers livres de références (mais non obligatoires) mentionnés sur le site du cours

Support de cours

• slides disponibles sur Moodle - slides available on Moodle

Faculté ou entité
en charge

ELEC