Vous êtes ici :

  • Informatique / Bureautique / Big data / Cybersécurité

Apprentissage statistique : modélisation décisionnelle et apprentissage profond

Apprentissage statistique : modélisation décisionnelle et apprentissage profond
Unité d'enseignement

Accéder aux sections de la fiche

Call to actions

Nous contacter
Choisir mon semestre

Détails

Infos générales

Code
RCP209

Présentation

Objectifs

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.

Intitulé officiel

Apprentissage statistique : modélisation décisionnelle et apprentissage profond
Masquer les détails supplémentaires

Conditions d'accès

Pré-requis

Formation(s) requise(s)

Aucun prérequis.

Programme

Contenu de la formation

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

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.

Unités d'enseignement

  • Apprentissage statistique : modélisation décisionnelle et apprentissage profond
    À distance / Partiellement à distance Octobre à Février 50 heures 6 crédits

Organisation

Durée et organisation

L'année est organisée en 2 semestres : semestre 1 (S1) d'octobre à février/mars et semestre 2 (S2) de février/mars à juin.
 

Méthodes mobilisées

Pédagogie qui combine apports académiques, études de cas basées sur des pratiques professionnelles et expérience des élèves.
Équipe pédagogique constituée pour partie de professionnels. Un espace numérique de formation (ENF) est utilisé tout au long du cursus.
 

Modalités d'évaluation

Chaque unité (UE/US, UA) fait l'objet d'une évaluation organisée en accord avec l'Établissement public (certificateur) dans le cadre d'un règlement national des examens.
 

Accessibilité public en situation de handicap

Nos formations sont accessibles aux publics en situation de handicap. Un référent Cnam est dédié à l'accompagnement de toute personne en situation de handicap. Pour contacter le référent : handi@cnam-paysdelaloire.fr

Modalités d'inscription

Consultez nos tarifs

Comment s'inscrire ?

Choisissez votre semestre et cliquez sur "Ajouter à ma sélection".
 

Modalités et délais d'accès

Les inscriptions se déroulent dès le mois de mai pour les formations qui débutent en octobre (semestre 1) et dès novembre pour les formations qui débutent en février/mars (semestre 2).