User Tools
miclet:syllabus
Differences
This shows you the differences between two versions of the page.
| — |
miclet:syllabus [2025/10/09 01:13] (current) rdouc created |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| + | ===== Introduction à l'Apprentissage Artificiel ===== | ||
| + | |||
| + | Les thèmes ne sont pas traités dans l'ordre pendant les 15 heures de cours. | ||
| + | La durée donnée est indicative. | ||
| + | |||
| + | ===== Thème 0 (2h) : Théorie de l'apprentissage PAC, introduction ===== | ||
| + | |||
| + | ===== Thème 1 (3h) : Méthodologie de base, via les Arbres de Décision ===== | ||
| + | * Définition de l'Apprentissage Artificiel ; exemples de réalisations | ||
| + | * Un exemple de méthode : les Arbres de Décision | ||
| + | * Algorithme | ||
| + | * Commentaires | ||
| + | * Généralités sur les algorithmes d'AA | ||
| + | * Vocabulaire | ||
| + | * Convergence, Biais, Variance | ||
| + | * Réglage d'un algorithme d'apprentissage | ||
| + | * Mesure de l'erreur | ||
| + | * Ensembles d'Entraînement, de Validation, de Test | ||
| + | * Validation croisée | ||
| + | * Retour sur les Arbres de Décision : élagage et extensions | ||
| + | |||
| + | ===== Thème 2 (3h) : Approche statistique élémentaire ===== | ||
| + | * Généralités | ||
| + | * Apprentissage de règles de classification | ||
| + | * Principe de l'apprentissage bayésien | ||
| + | * Approche paramétrique | ||
| + | * Modélisation par gaussiennes | ||
| + | * Apprentissage bayésien naïf | ||
| + | * Mélange de gaussiennes et autres distributions : indications | ||
| + | * Approche non paramétrique | ||
| + | * Plus proches voisins | ||
| + | * Validité | ||
| + | * Algorithmes rapides | ||
| + | * Noyaux de Parzen | ||
| + | * Allusions à EM et aux SVM | ||
| + | |||
| + | ===== Thème 3 (2h) : Régression et séparations linéaires ===== | ||
| + | * Régression (rappels si besoin) | ||
| + | * Régression à une variable | ||
| + | * Descente de gradient | ||
| + | * Régression à plusieurs variables | ||
| + | * Classification | ||
| + | * Classification à seuil | ||
| + | * Régression logistique | ||
| + | * Marge et Vecteurs Support (indications) | ||
| + | * Exercices | ||
| + | |||
| + | ===== Thème 4 (1h30) : Réseaux multicouches classiques ===== | ||
| + | * Surfaces séparatrices non linéaires | ||
| + | * Architecture d'un réseau multicouche | ||
| + | * Rétropropagation du gradient de l'erreur | ||
| + | * Réseaux auto-encodeurs | ||
| + | |||
| + | ===== Thème 5 (1h) : Calcul en très grande dimension ===== | ||
| + | * Géométrie en grande dimension | ||
| + | * Algèbre de calcul en grande dimension, liens avec l'apprentissage | ||
| + | |||
| + | ===== Thème 6 (1h30) : Combinaison de méthodes ===== | ||
| + | * Apprentissage ensembliste : forêts de décision, dopage (boosting), bagging, cascading | ||
| + | |||
| + | ===== Thème 7 (2h) : Ingénierie des données (notions) ===== | ||
| + | |||
| + | ===== Thème 8 (1h) : Réseaux de Hopfield ===== | ||
| + | |||
| + | ===== TP1 (3h encadrées) ===== | ||
| + | * Prise en main de scikit-learn Python | ||
| + | * Essai de plusieurs méthodes et bases de données pour illustrer le surapprentissage et le réglage des méta-paramètres | ||
| + | |||
| + | ===== TP2 (12h encadrées) ===== | ||
| + | * Étude et reprogrammation de l'un des deux articles [5],[6] | ||
| + | |||
| + | ===== Références ===== | ||
| + | * [1] S. Russell and P. Norvig. Artificial Intelligence: A Modern Approach, 4th US edition, Pearson, 2020 | ||
| + | * [2] S. Russell et P. Norvig. Intelligence artificielle, 4ème édition, Pearson 2021 | ||
| + | * [3] V. Barra, A. Cornuéjols, L. Miclet. Apprentissage artificiel, Concepts et algorithmes, 4ème édition, Eyrolles 2021 | ||
| + | * [4] S. Shalev-Shwartz, S. Ben-David. Understanding machine learning. From theory to algorithms. Cambridge University Press. First edition 2014 (pdf available) | ||
| + | * [5] T. Yu, Y. Zhang, Z. Zhang, C. De Sa. Understanding Hyperdimensional Computing for Parallel Single-Pass Learning, 2023, Advances in Neural Information Processing Systems 35, 1157-1169 (2023) et arXiv | ||
| + | * [6] P. Neubert, S. Schubert, P. Protzel. An Introduction to Hyperdimensional Computing for Robotics. KI - Künstliche Intelligenz, vol 33, doi 10.1007/s13218-019-00623-z, September 2019 | ||
miclet/syllabus.txt · Last modified: 2025/10/09 01:13 by rdouc
Page Tools
