Aller au menu Aller au contenu
Une voie, plusieurs choix
Informatique et Mathématiques appliquées
Une voie, plusieurs choix

> Formation > Cursus ingénieur

Fundamentals of probabilistic data mining - WMM9MO17

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
  • Volumes horaires

    • CM : 15.0
    • TD : -
    • TP : 4.5
    • Projet : -
    • Stage : -
    • DS : -
    Crédits ECTS : 3.0
  • Responsables : Xavier ALAMEDA-PINEDA

Objectifs

This lecture introduces fundamental concepts and associated numerical methods in model-based clustering, classification and models with latent structure. We will also discuss probabilistic graphical models with latent variables in general, the expectation maximisation algorithm and its variational Bayes formulation. Overall we will discuss Gaussian mixture models, hidden Markov models, probabilistic PCA, linear dynamical systems, and more complex models that are combinations of these ones, and that require variational expectation-maximisation algorithms. If time allows, we will discuss the link with variational auto-encoders.

Contenu

Model-based clustering, classification and models with latent structure are particularly relevant to model random vectors, sequences or graphs, to account for data heterogeneity, and to present general principles in statistical modelling. The following topics are addressed:

Principles of probabilistic data mining and generative models; models with latent variables
Probabilistic graphical models
Mixture models and clustering
PCA and probabilistic PCA
Generative models for series and graphs : hidden Markov models
Linear dynamical systems.
Variational EM algorithm.

Prérequis

Fundamental principles in probability theory (conditioning) and statistics (maximum likelihood estimator and its usual asymptotic properties).
Constrained optimization, Lagrange multipliers.

Contrôles des connaissances

3-hours written exam (E) and one report on practicals and research work (P)

N1=0.5E1+0.5P
N2=E2

L'examen existe uniquement en anglais FR

Calendrier

Le cours est programmé dans ces filières :

  • Cursus ingénieur - Master 2 Math. et Applications - Semestre 9 (ce cours est donné uniquement en anglais EN)
  • Cursus ingénieur - Master 2 Informatique - Semestre 9 (ce cours est donné uniquement en anglais EN)
cf. l'emploi du temps 2020/2021

Informations complémentaires

Code de l'enseignement : WMM9MO17
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

Bishop, Christopher M. Pattern Recognition and Machine Learning. Springer Verlag, 2006.

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

mise à jour le 15 janvier 2017

Université Grenoble Alpes