Volumes horaires
- CM 18.0
- Projet -
- TD -
- Stage -
- TP -
- DS -
Crédits ECTS
Crédits ECTS 1.5
Objectif(s)
Ce module consiste en une introduction à la reconnaissance des formes et à l'apprentissage automatique par une approche bayésienne. Cette introduction commence par un exposé de la typologie des problèmes en reconnaissance des formes, et des principes de base (régression notamment). On aborde ensuite les méthodes de classification probabilistes génératives, discriminatives, avec un approfondissement des approches linéaires, à noyaux, et des machines à vecteurs supports. Les mélanges gaussiens et l'analyse en composante principales sont également abordés.
Ce module vise à développer des compétences de base en apprentissage automatique, qui peuvent être mises en œuvre pour construire des systèmes de fouille de données, communication, traitement du signal, vision par ordinateur, reconnaissance de la parole, interaction homme-machine et systèmes intelligents.
Les cours auront lieu en français ou en englais, avec des supports écrits en anglais.
Responsable(s)
James CROWLEY
Contenu(s)
Les cours suivront assez fidèlement le plan de l'ouvrage de Christopher Bishop "Pattern Recognition and Machine Learning".
S1: Introduction. Probabilités et statistique.
S2: Éléments de théorie bayésienne
S3: Loi normale univariée
S4: Loi normale multivariée
S5: Analyse en composantes principales
S6: Modèles de mélanges et classification automatique
S7: Méthodes génératives pour la classification
S8: Analyse discriminante de Fisher et Perceptrons
S9: Méthodes à noyaux
S10: Réseaux de neurones
S11: Machines à vecteurs support
S12: Combinaison de modèles et boosting.
Algèbre linéaire
Calcul intégral et différentiel multivarié
Optimisation
Probabilités et statistique
Contrôle des connaissances
CONTRÔLE CONTINU :
Type d'évaluation (ex : TP, assiduité, participation) :
SESSION NORMALE :
Type d'examen (écrit, oral, examen sur machine) : examen E1 et E2 écrit
Salle spécifique :
Durée : 3h
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : tous documents autorisés
Documents interdits (ex : livres, tous documents) :
Matériel (ex : calculatrices):
- matériel autorisé, préciser : calculatrice autorisée
- matériel interdit, préciser : tout autre matériel électronique interdit
Commentaires :
SESSION DE RATTRAPAGE :
Type d'examen (écrit, oral, examen sur machine) :
Salle spécifique :
Durée : 3h
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : tous documents autorisés
Documents interdits (ex : livres, tous documents) :
Matériel (ex : calculatrices):
- matériel autorisé, préciser : calculatrice autorisée
- matériel interdit, préciser : tout autre matériel électronique interdit
Commentaires :
N1 = 0.5E1 + 0.5TD
N2 = 0.5E2 + 0.5TD
L'examen existe uniquement en anglais 
Calendrier
Le cours est programmé dans ces filières :
- Cursus ingénieur - Filière MMIS - Semestre 9 (ce cours est donné uniquement en anglais
) - Cursus ingénieur - Filière MMIS - Semestre 9 (ce cours est donné uniquement en anglais )
Informations complémentaires
Code de l'enseignement : 5MM2537I
Langue(s) d'enseignement :
Le cours est rattaché aux structures d'enseignement suivantes :
Vous pouvez retrouver ce cours dans la liste de tous les cours.
Bibliographie
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer Verlag, 2006.
R.V. Hogg, J. M Kean and A.T. Craig.: Introduction to Mathematical Statistics (7th Edition). Pearson, United Kingdom (2012).