Apprentissage statistique : modélisation décisionnelle et apprentissage profond - RCP209

Objectifs

Ce cours présente une introduction à l'apprentissage à partir des données, notamment à travers les réseaux de neurones, les Machines à Vecteurs Supports (SVM) et les méthodes graphiques, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, la surveillance, la bio-ingénierie, la climatologie, la sécurité environnementale, la recherche d'information, etc.

Programme

• Bases de l'apprentissage supervisé : qu'est-ce qu'un modèle décisionnel ?
• Évaluation et sélection de modèles.
• Arbres de décision et forêts d'arbres de décision (random forest).
• Machines à vecteurs de support (SVM) :
  • discrimination, régression,
  • estimation du support d'une distribution, ingénierie des noyaux.
• Réseaux de neurones artificiels :
  • apprentissage de représentations
  • apprentissage profond (deep learning)
  • réseaux convolutifs
  • réseaux récurrents

Chaque séance de cours est suivie d'une séance de travaux pratiques (TP) permettant de mettre en œuvre les méthodes présentées. Les TP sont réalisés à l'aide du langage de programmation Python, en utilisant les bibliothèques logicielles Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.