• Niveau d'étude

    BAC +5

  • ECTS

    3 crédits

  • Composante

    Sciences économiques, gestion, mathématiques et informatique

  • Volume horaire

    24h

  • Période de l'année

    Enseignement dixième semestre

Objectifs

  • Grands principes du machine learning et les catégories des outils disponibles.
  • Savoir appliquer quelques techniques de machine learning.
  • Application avec les bibliothèques Scikit-Learn et Tensor flow

Approche pédagogique et plan de cours.

I- Les Bases du Machine Learning : Définition du Machine Learning, les types d'apprentissage (supervisé, non supervisé, semi-supervisé, par renforcement), catégories des problématiques (Régression, Classification, Clustering, modélisation), paradigmes d’apprentissage.

I- La Régression symbolique, principe et cas pratique : La régression symbolique, mesures de performance, domaines d’applications, cas pratique : régression avec les arbres de décision et régression génétique.

||- La classification, principe et cas pratique : La classification binaire et multi-classes, les mesures de performance, analyse des erreurs, boosting/bagging, cas pratique : résolution avec les SVM et GP.

III- Réseaux de Neurones et apprentissage profond (Deep Learning) : Introduction aux réseaux de neurones (RN), Deep RN et exemple d’applications, entrainement des Deep RN pour la résolution d’un problème de classification avec TensorFlow.

IV : Apprentissage par renforcement : Introduction à l’apprentissage profond, extension de la bibliothèque TensorFlow pour l’implémentation de l’apprentissage profond.

Lire plus

Évaluation

Session 1 : Évaluation continue (cf. règle par défaut de la section « Modalités spécifiques » des M3C spécifiques)

Session 2 : Règle par défaut décrite dans la section « Modalités de contrôle et examens / Modalités spécifiques »

Lire plus

Heures d'enseignement

  • Applications du Machine LearningCM12h
  • Applications du Machine LearningTD12h

Pré-requis obligatoires

Connaissance de data mining

Lire plus

Compétences visées

Être capable de mener un mini projet de machine learning et choisir/appliquer le type d’algorithme de résolution adapté.

Lire plus

Bibliographie

  • Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets, Aurélien Géron, Dunod 2017
  • Deep Learning avec TensorFlow - Mise en oeuvre et cas concrets, Aurélien Géron, Dunod 2017
  • Introduction au Machine Learning, Chloé-Agathe Azencott, Dunod 2018
  • L'apprentissage profond, Ian Goodfellow, Yoshua Bengio, Aaron Courville, Massot éditions 2018
Lire plus