 | |
| ELEN0442-1 | Introduction à l'apprentissage statistique
 |
|
| Durée : | 30h Th, 30h Pr |
|
| Crédits/ECTS : |
|
|
| Titulaire(s) : | Pierre Geurts, Louis Wehenkel |
|
| Langue : | Langue française |
|
| Aperçu général : | L'apprentissage statistique désigne de façon très générale la construction automatique de modèles statistiques utiles pour la résolution d'un problème à partir de données collectées à partir d'instances particulières résolues de ce problème.
Les domaines d'applications en sont nombreux: diagnostic médical; économétrie et finances; bioinformatique; vision par ordinateur et synthèse automatique de programmes; modélisation, optimisation, contrôle de processus complexes.
Ce cours introduit d'abord les différents types de problèmes d'apprentissage statistique (supervisé, non-supervisé, semi-supervisé, par renforcement, actif, ...) en les illustrant dans le cadre de l'exploration de données, de la classification automatique, et de la prédiction de séries temporelles.
Ensuite, on y développe les principes sur lesquels reposent les méthodes d'apprentissage statistique (reformulation sous la forme de problèmes d'optimisation, compromis biais/variance, apprenabilité, validation des modèles).
Enfin, on développe les propriétés statistiques et algorithmiques des grandes classes de méthodes existantes (arbres de décision, régression linéaire, réseaux de neurones, méthodes à base de noyaux, méthodes d'ensemble). |
|
| Objectif du cours : | A l'issue de ce cours, les étudiants auront une formation de base en apprentissage statistique qui leur permettra de comprendre les nombreuses publications dans le domaine et de mettre en oeuvre les méthodes en pratique.
Ils auront acquis les bases théoriques principales et assimilé les principales propriétés des grandes familles de méthodes actuellement disponibles.
Ils seront conscients des grands défis en matière de recherche dans le domaine. |
|
| Pré-requis : | L'apprentissage statistique repose sur un éventail très large de méthodes de l'analyse mathématique, de la géométrie euclidienne, du raisonnement probabiliste, des statistiques, de l'optimisation numérique, et de l'algorithmique combinatoire.
Pour cette raison, ce cours est enseigné selon la méthode "problem based", de façon à permettre aux étudiants d'identifier l'intérêt d'acquérir les parties des connaissances de base qu'ils ne maîtrisent pas suffisamment bien. En dehors de cette volonté d'apprendre à la volée, il n'y a pas de prérequis supplémentaires. |
|
| Travaux pratiques : | Les travaux pratiques son composés de deux parties.
Dans la première partie, les étudiants se familiarisent avec les méthodes d'apprentissage statistique en les utilisant sur une base de données simulée et en comparant les résultats obtenus avec différentes méthodes dans différentes conditions.
Dans la seconde partie les étudiants réalisent un travail de recherche par groupe de deux ou trois. Ils partent d'un énoncé de problème et d'articles qui en décrivent des solutions, puis font une étude critique des solutions proposées par les articles, qui peut être soit théorique soit basée sur l'implémentation concrète de ces solutions sur un ordinateur.
Le résultat est présenté oralement comme une présentation scientifique en présence des autres étudiants et des enseignants. |
|
| Organisation : | Le cours est organisé au 1er semestre.
Chaque lundi PM il y a une séance de cours oral qui dure entre 2 et 3 heures.
Le travaux pratiques des étudiants complètent ces séances. |
|
| Notes de cours : | Les notes de cours sont composées des supports utilisés au cours oral et d'extraits de différents ouvrages récents sur l'apprentissage statistique.
Certains articles fondateurs du domaine les complètent.
Notes en lignes : http://www.montefiore.ulg.ac.be/~lwh/AIA |
|
| Evaluation : | L'évaluation du cours est composée de trois notes: les travaux personnels, les travaux par groupe, l'examen oral. |
|
| Contacts : | Louis Wehenkel L.Wehenkel@ulg.ac.be
Pierre Geurts P.Geurts@ulg.ac.be |
|
| Remarques : | Page web : http://www.montefiore.ulg.ac.be/~lwh/AIA |
|
|
| |
