Apprentissage statistique : modélisation décisionnelle et apprentissage profond
Code UE : RCP209
- Cours
- 6 crédits
- Volume horaire de référence
(+ ou - 10%) : 50 heures
Responsable(s)
Nicolas AUDEBERT
Public, conditions d’accès et prérequis
Cet enseignement s'adresse aux auditeurs et auditrices souhaitant se former à l'apprentissage statistique, notamment à l'apprentissage profond et aux réseaux de neurones artificiels.
Prérequis :
Prérequis :
- avoir un niveau équivalent licence en mathématiques (algèbre linéaire, probabilités, statistiques, analyse) et en informatique (savoir programmer),
- Avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4) est suffisant.
- Le langage de programmation utilisé durant le cours est Python.
- Il est recommandé d'avoir suivi au préalable l'UE RCP208 « Apprentissage statistique : modélisation descriptive et introduction aux réseaux de neurones » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.
L'avis des auditeurs
Les dernières réponses à l'enquête d'appréciation pour cet enseignement :
Présence et réussite aux examens
Pour l'année universitaire 2020-2021 :
- Nombre d'inscrits : 106
- Taux de présence à l'évaluation : 58%
- Taux de réussite à l'évaluation : 79%
Objectifs pédagogiques
Ce cours présente les méthodes modernes d'intelligence artificielle pour la modélisation décisionnelle à partir des données, notamment les machines à vecteurs supports (SVM), les forêts aléatoires et les réseaux de neurones profonds, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique ou (machine learning) permet de construire des modèles prédictifs à partir de jeux de données empiriques, par exemple pour la prise de décision. Les méthodes abordées font partie de l'intelligence artificielle et de la fouille de données et ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostic médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
L'apprentissage automatique ou (machine learning) permet de construire des modèles prédictifs à partir de jeux de données empiriques, par exemple pour la prise de décision. Les méthodes abordées font partie de l'intelligence artificielle et de la fouille de données et ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostic médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.
Contenu
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
- 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
Modalité d'évaluation
L'UE est évaluée sur un projet personnel et un examen écrit. La note finale est la moyenne entre la note obtenue au projet et la note obtenue à l'examen.
Bibliographie
- Chloé-Agathe Azencott : Introduction au machine learning
- Aurélien Géron : Machine learning avec Scikit-Learn
- Aurélien Géron : Deep learning avec Keras
- Aaron Courville, Ian Goodfellow, Yoshua Bengio : L'apprentissage profond
Cette UE apparaît dans les diplômes et certificats suivants
Chargement du résultat...
Contact
Voir le calendrier, le tarif, les conditions d'accessibilité et les modalités d'inscription dans le(s) centre(s) d'enseignement qui propose(nt) cette formation.
UE
-
-
Paris
-
Centre Cnam Paris
- 2022-2023 1er semestre : FOAD 100%
- 2022-2023 2nd semestre : Présentiel soir ou samedi
Comment est organisée cette formation ?Organisation de la modalité FOAD 100%
Planning
1er semestre
- Date de démarrage : 19/09/2022
- Date limite d'inscription : 02/11/2022
- Date de 1ère session d'examen : 23/01/2023
- Date de 2ème session d'examen : 24/04/2023
Précision sur la modalité pédagogique
- Regroupements physiques facultatifs : Aucun
:Organisation du déploiement de l'unité
- Délai maximum de réponse à une solicitation : sous 96 heures (Jours ouvrés)
Modes d'animation de la formation
- Forum
- Visioconférence
- Outils numériques de travail collaboratif
- Organisation d'une séance de démarrage
- Evaluation de la satisfaction
- Hot line technique
Ressources mises à disposition sur l'Espace Numérique de Formation
- Documents de cours
- Enregistrement de cours
- Bibliographie et Webographie
Activités "jalons" de progression pédagogique prévues sans notation obligatoire à rendre ou en auto-évaluation
- 2 études de cas, projets individuels
Modalité de contrôle de l'acquisition des compétences et des connaissances (validation de l'UE)
- Examens en ligne
- Projet(s) individuel(s)
- Projet(s) collectif(s)
-
Centre Cnam Paris
-
Paris
Code UE : RCP209
- Cours
- 6 crédits
- Volume horaire de référence
(+ ou - 10%) : 50 heures
Responsable(s)
Nicolas AUDEBERT