R6.EMS.05 : Apprentissage statistique pour l’IA
Compétence ciblée :
Modéliser les données dans un cadre statistique SAÉ au sein desquelles la ressource peut être mobilisée et combinée
Descriptif : L’objectif de cette ressource est de présenter les méthodes et algorithmes issus de l’apprentissage machine pour répondre à des objectifs de modélisation et de prédiction pour l’analyse de données dites complexes, massives. En suivant cette ressource, l’étudiant doit être capable de connaître leurs implémentations et savoir en interpréter les résultats.
Contenus :
Agrégation de modèles (bagging, boosting, forêts aléatoires)
Support vector machine (SVM)
Réseaux de neurones
Introduction à l’apprentissage profond (deep learning):
Réseaux convolutionnels
Réseaux recurrents
Introduction aux modèles génératifs:
Autoencoders variationnels
Modèles antagonistes (GANs)
Modèles à diffusion
Transformer
Pour les séances de TP nous allons utiliser Jupyter-notebook
L’introduction de cette ressource participe à l’apprentissage des différentes familles de méthodes statistiques en machine learning. Elles diffèrent par leur objectif de prédiction ou de description. Cette ressource cible les méthodes d’apprentissage supervisé plus directement issues de la théorie de l’apprentissage machine.
Mots clés : Apprentissage supervisé – machine learning – réseau de neurones – deep learning
Volume horaire défini nationalement : 30 heures dont 15 heures de TP