 | | |
| ELEN0062-1 | Applied inductive learning
|
|
| Durée : | 30h Th, 5h Pr, 40h Proj. |
|
| Nombre de crédits : |
| Master en ingénieur civil biomédical, à finalité approfondie, 2e année | | 5 |
|
| Master en ingénieur civil biomédical, à finalité approfondie, 2e année | | 5 |
|
| Master en ingénieur civil électricien, à finalité approfondie, 2e année | | 5 |
|
| Master en ingénieur civil électricien, à finalité approfondie, 2e année | | 5 |
|
| Master en ingénieur civil en informatique, à finalité approfondie, 1re année | | 5 |
|
| Master en ingénieur civil en informatique, à finalité approfondie, 2e année | | 5 |
|
| Master en sciences informatiques, à finalité approfondie, 1re année | | 5 |
|
| Master en sciences informatiques, à finalité approfondie, 2e année | | 5 |
|
| Master en ingénieur civil en informatique, à finalité spécialisée en gestion, 1re année | | 5 |
|
| Master en sciences informatiques, à finalité spécialisée en gestion, 1re année | | 5 |
|
| Master en bioinformatique et modélisation, à finalité approfondie, 1re année | | 6 |
|
| Master en bioinformatique et modélisation, à finalité approfondie, 2e année | | 6 |
|
| Master en sciences mathématiques, à finalité spécialisée en statistique, 2e année | | 8 |
|
|
|
| Nom du professeur : | Pierre Geurts, Louis Wehenkel |
|
| Coordinateur(s) : | N... |
|
Langue(s) du cours :
|
| Langue anglaise |
|
Organisation et évaluation :
|
| Enseignement au premier quadrimestre, examen en janvier |
|
Contenus du cours :
|
| Starting in the academic year 2014-2015 this course will be given in full English (Please, see the English version of this course description).
L'apprentissage inductif désigne la construction automatique d'une solution générale d'un problème à partir de solutions d'instances particulières de ce problème. Les applications en sont nombreuses: extraction de règles de diagnostic médical de relevés médicaux de patients; bioinformatique; construction de procédures d'allocation de crédits bancaires à partir de bases de données de clients; vision par ordinateur; modélisation, optimisation, contrôle de processus complexes; synthèse automatique de programmes; extraction d'expertise humaine... La partie théorique du cours introduit les différents types de problèmes d'apprentissage (exploration de données, classification automatique, approximation), le principes sous-jacents (biais/vartiance, validation) et les grandes classes de méthodes complémentaires (statistiques, symboliques, neuronales). Les travaux pratiques permettent aux étudiants de se familiariser avec ces dernières en les appliquant à diverses bases de données réelles. |
|
Acquis d'apprentissage (objectifs d'apprentissage) du cours :
|
| A l'issue de ce cours l'étudiant sera capable d'analyser les principales propriétés théoriques (computationnelles et statistiques) de principaux algorithmes d'apprentissage automatique, de les mettre en oeuvre de façon pratique, et d'en évaluer les performances de façon rigoureuse |
|
Prérequis et corequis / Modules de cours optionnels recommandés :
|
| Eléments de calcul de probabilités, de statistique, d'algorithmique et d'optimisation numérique |
|
Activités d'apprentissage prévues et méthodes d'enseignement :
|
| Cours théorique ex cathedra, combiné avec des travaux personnels sur ordinateur |
|
Mode d'enseignement (présentiel ; enseignement à distance) :
|
| 1er semestre |
|
Lectures recommandées ou obligatoires et notes de cours :
|
| |
|
Modalités d'évaluation et critères :
|
| Travail pratique (compétition entre les étudiants pour résoudre un problème d'apprentissage automatique particulier), et examen oral vérifiant l'assimilation théorique des notions vues au cours |
|
Stage(s) :
|
| |
|
Remarques organisationnelles :
|
| Page web : http://www.montefiore.ulg.ac.be/~lwh/AIA |
|
Contacts :
|
| mailto:L.Wehenkel@ulg.ac.be(L.Wehenkel@ulg.ac.be
)mailto:p.geurts@ulg.ac.be(p.geurts@ulg.ac.be) |
|
|
| |
