Objectifs (en termes de compétences)

- comprendre et appliquer des techniques mises en oeuvre pour doter une machine d'une capacité d'apprentissage

- évaluer les performances d'un algorithme d'apprentissage

- justifier le choix d'un algorithme d'apprentissage en fonction de la nature des données, de la tâche d'apprentissage et des critères de qualité retenus

- mettre en oeuvre des algorithmes d'apprentissage et étendre des logiciels d'apprentissage

Objet de l'activité (principaux thèmes à aborder)

- Apprentissage par recherche dans un espace de généralisations, Biais inductif
- Classification par combinaison de décisions
- Apprentissage par minimisation d'une fonction de coût, descente de gradient
- Techniques d'évaluation d'algorithmes d'apprentissage
- Apprentissage par mémorisation d'instances
- Apprentissage probabiliste
- Classification non supervisée

Résumé : Contenu et Méthodes

- Concept learning, Generalization as Search, Version Space
- Decision trees
- Multilayer Perceptrons
- Quality measures, Confidence intervals, Hypothesis testing
- K-Nearest Neighbors
- Bayesian Learning, Naïve Bayes
- Clustering techniques

Autres informations (Pré-requis, Evaluation, Support, ...)

- Pré-requis
(1) SINF1121 ou équivalent
(2) Connaissance de base en probabilités et statistiques (BIR1203, BIR1304 ou FSAB1104)

- Références :
Ouvrage obligatoire :
(1) Machine Learning, Tom Mitchell, McGraw Hill, 1997.
Autres ouvrages recommandés :
(2) Data Mining, Practical Machine Learning Tools and Techniques with Java Implementations, Ian H. Witten and Eibe Franck, Morgan Kauffmann, 2000.
(2) Apprentissage Artificiel : Concepts et algorithmes, Antoine Cornuéjols et Laurent Miclet, Eyrolles, 2002.
(3) Pattern Classification, Richard O. Duda, Peter Starck and David G. Storck, John Wiley and Sons, 2nd edition, 2001.

- Evaluation:
Examen écrit individuel

- Remarques :
Site WEB du cours : http://www.info.ucl.ac.be/notes_de_cours/INGI2262/

Autres crédits de l'activité dans les programmes