Reproduire un comportement à partir d'observations : apprentissage automatique et optimisation (OAA)
Description
Dans ce module, nous présentons les fondements de l'apprentissage automatique (machine learning) et les principales techniques actuelles d'apprentissage supervisé. Ainsi, après avoir posé le cadre théorique et méthodologique, le module aborde les grandes familles de classifieurs et détaille leurs algorithmes d'apprentissage. Ces aspects sont traités sous un angle informatique, mathématique et applicatifs. Sous l'angle informatique, la méthodes des k plus proches voisins, les classifieurs bayésiens, les arbres de décision, forêts aléatoires, SVM et réseaux de neurones sont présentés.Outre la distinction entre ces techniques, l'accent est mis sur la formalisation des problèmes pour adopter l'une ou l'autre de ces méthodes. En parallèle, après un rappel sur le calcul différentiel des fonctions à plusieurs variables réelles, les problèmes d'optimisation sans et sous contraintes sont étudiés. Quelques algorithmes classiques sont alors présentés pour l'apprentissage d'estimateurs. Sur le plan applicatif, les techniques abordés sur illustrées sur des exemples, principalement sur le domaines du multimédia, des langues et de la parole. Ce module présente une complémentarité forte avec ceux traitant d'apprentissage statistique et de fouille de données (thèmes non abordés dans ce module).
Mots-clés
Classification, regression, optimisation, réseaux de neurone, deep learning, kppv, classifieurs de Bayes, arbres de décision, SVMContenu
- Concepts fondamentaux
- k plus proches voisins
- Classificateur de Bayes
- Bagging, boosting
- Optimisation
- Arbres de décisions, forêts aléatoires
- SVM
- Réseaux de neurone et apprentissage profond