DES RESSOURCES ET DES OUTILS AU SERVICE DES ACTEURS ET DES PROFESSIONNELS. |
Apprentissage statistique : modélisation décisionnelle et apprentissage profond - RCP209Date de mise à jour : 20/07/2023
| Identifiant OffreInfo : 06_1301910F |
GREF Bretagne |
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.
Apprentissage supervisé : discrimination, régression, prédiction structurée.
Evaluation 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, apprentissage de représentations, apprentissage profond (deep learning). Modèles graphiques, apprentissage structuré. 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 en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.
Non certificiante
Sans niveau spécifique
Conventionnement : Non
Entreprise
Niveau d'entrée : Sans niveau spécifique
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 :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.