Apprentissage statistique : modélisation décisionnelle et apprentissage profond - RCP209
Date de mise à jour : 04/08/2025 | Identifiant OffreInfo :
06_1301910F
Organisme responsable :
CNAM DE BRETAGNE
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 de la formation
- 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.
Validation et sanction
Attestation de formation
Type de formation
Non certifiante
Sortie
Sans niveau spécifique
Contact de la formation
22440 - Ploufragan Téléphone fixe : 0972311312
Site web : http://www.cnam-bretagne.fr
Contact de l'organisme formateur
SIRET : 43411361900119
22440 Ploufragan
Responsable : Madame Emeline JAHIER
Téléphone fixe : 0972311312
Contacter l'organisme
Information fournie par :
