Logo ESI
Bannière
ESI talents

Bienvenue



Retour - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Syllabus ML
Télécharger



Crédits : 4

ML
Machine learning
Machine learning

Coef : 4
VH Cours : 22.50
VH TD : 30.00
Pré-requis :
Mathématiques (Analyse, Algèbre linéaire), Statistiques, Probabilités.

Ingénierie des Compétences

Familles de Compétences
  • CF6 : Concevoir des systèmes orientés données et/ou d'aide à la décision
Type de compétence: TEC : Technique, MET : Méthodologique, MOD : Modélisation, OPE : Opérationnel,
Niveau de compétence:
Base Intermédiaire Avancé


Famille de Compétence Compétence Elément de Compétence Type
CF6 C6.2: Analyser un processus d'analyse de données C62.3: Décliner les activités d'un processus d'apprentissage automatique MET
C6.1: Ressortir l'information pertinente à partir d'une masse de données C61.4: Utiliser et développer des techniques d'apprentissage automatique TEC

Description du programme de la matière

Objectifs:

L'apprentissage machine est un processus qui permet à la machine d'apprendre automatiquement, sans être explicitement programmée. Plusieurs domaines nécessitent l'application de l'apprentissage automatiques parmi eux: la bioinformatique, le marketing, les finances, la détection d'intrusion, tout type de prévision, reconnaissances palmaires, ...).
Apprentissage supervisée:
- Classification: Analyse discriminante, arbre de décision, réseaux de neurones, .....
- Régression linéaire, généralisée.....
Apprentissage non supervisée:
- Clustering
Algorithme par partitionnement (Kmeans (rappel), PAM, Clara,...)
Classification hiérarchique (rappel),
DBSCAN (basée densité),
Self Organizing Map (SOM)......
- Réduction de dimensionnalité: Analyse en composantes principales, sélection d'attributs.
- Règles d'association:
Apriori
Fp-Growth
Aperçu sur l'apprentissage semi supervisée.
Aperçu sur l'apprentissage par renforcement.
Nous allons nous intéresser à plusieurs travaux de recherche au sein de notre école qui utilisent l’apprentissage automatique (Reconnaissance palmaire, Sélection automatique de méthodes de résolution).

Contenu:

Apprentissage supervisée:
- Classification: Analyse discriminante, arbre de décision, réseaux de neurones, .....
- Régression linéaire, généralisée.....
Apprentissage non supervisée:
- Clustering
Algorithme par partitionnement (Kmeans (rappel), PAM, Clara,...)
Classification hiérarchique (rappel),
DBSCAN (basée densité),
Self Organizing Map (SOM)......
- Réduction de dimensionnalité: Analyse en composantes principales, sélection d'attributs.
- Règles d'association:
Apriori
Fp-Growth
Aperçu sur l'apprentissage semi supervisée.
Aperçu sur l'apprentissage par renforcement.
Nous allons nous intéresser à plusieurs travaux de recherche au sein de notre école qui utilisent l’apprentissage automatique (Reconnaissance palmaire, Sélection automatique de méthodes de résolution).

Travail Personnel:

Bibliographie:

Charu C. Aggarwal • Jiawei Han. "Frequent Pattern Mining".
Tom M.Mitchell : ”Machine Learning”,
Christopher M. Bishop : ”Pattern Recognition and Machine Learning".

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -