Formation Big Data et Intelligence Artificielle

Machine Learning - Fondements théoriques de l'apprentissage

Vue d'ensemble pour une utilisation raisonnée des techniques d'apprentissage automatique

réf : SM19-18

  • DATES : Formation programmée à la demande - Nous consulter
  • DURÉE : 4 jours - 28 heures
    Voir le programme
  • LIEU : Gif-sur-Yvette (91)
    Voir le plan
  • PRIX : 2170 € HT  -  Restauration offerte
Dans un contexte de plus en plus orienté vers la gestion de masse importante de données, le Machine Learning recouvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement, à partir de ces données, des modèles de prédiction et de prise de décision. Ce cours s'attache à articuler les approches majeures du domaine en mettant en exergue les fondements théoriques qu'elles partagent. Cet enseignement a autant vocation de permettre aux ingénieurs d'utiliser à bon escient les outils logiciels communément disponibles que de constituer un socle généraliste préparant à une activité de recherche dans ce domaine très actif.

Rester informé des mises à jour par e-mail

Programme+

  • Approche fréquentiste
    • Apprentissage statistique : formalisation statistique du problème, risques et contrôle du risque, bornes, substituts du risque (classification, convexité et calibration), régularisation
    • Conditionnement des données et réduction de dimension : analyse en composantes principales, méthodes non-linéaires, sélection de variables
    • Machines à vecteurs supports (SVM) et méthodes à noyaux : optimisation lagrangienne et maximisation de la marge, SVMs de classification, régression, one-class, méthodes à noyaux
    • Quantification Vectorielle: principe de minimisation de distorsion et ses conséquences, k-means, cartes auto-organisatrices, réseaux incrémentaux (Growing Neural Gas, ...), cas des distributions non-stationnaires
    • Réseaux de neurones et deep learning : perceptrons multi-couches, réseaux récurrents, réseaux profonds et leurs méthodes de pré-apprentissage (machines de Boltzman, auto-encodeurs,...)
    • Ensemble learning et arbres de décision : arbres de décision, bagging, boosting
    • Bandits : problématique et applications, optimisme face à l'incertitude
  • Modèles et apprentissage bayésiens
    • Principes d'inférence et d'apprentissage bayésiens : inférence bayésienne, estimateurs (MAP, MLE), inférence exacte (distribution conjuguée), approchée (techniques d'échantillonnage), variables cachées et EM
    • Modèles graphiques : réseaux bayésiens, champs aléatoires de Markov et champs de Markov conditionnels, inférence et apprentissage
    • Méthodes bayésiennes : naive Bayes, mélanges de gaussiennes, processus gaussiens
    • Modèles markoviens : processus markoviens, chaînes de Markov, chaînes de Markov cachées, filtrage bayésien

Les + de la formation+

Vue d'ensemble pour une utilisation raisonnée des techniques d'apprentissage automatique

Objectifs+

COMPRENDRE les différents modèles d'apprentissage (fréquentiste, bayésien, supervisé ou non, etc.)
MODELISER un problème pratique sous forme abstraite
IDENTIFIER les méthodes d'apprentissage pertinentes pour résoudre un problème
APPLIQUER et EVALUER les méthodes identifiées sur un problème
FAIRE LE LIEN entre les différentes techniques d'apprentissage

Profil des participants+

Ingénieur ou chef de projet souhaitant considérer les techniques d'apprentissage automatique dans la résolution de problèmes industriels

Corps enseignant+

Hervé FREZZA-BUET
Enseignant-chercheur à CentraleSupélec

Demande d'information+

Machine Learning - Fondements théoriques de l'apprentissage - Vue d'ensemble pour une utilisation raisonnée des techniques d'apprentissage automatique

Informations CNIL

Les données personnelles recueillies dans ce formulaire font l'objet d'un traitement automatisé conforme à la norme simplifiée 48 qui concerne les traitements relatifs à la gestion de clients et de prospects (délibération n°2012-209 du 21 juin 2012 de la CNIL). Les informations collectées sont destinées aux services de la Formation Continue. Vous pouvez exercer votre droit d'accès et de rectification prévus par la loi en vous adressant par courrier électronique à cil@centralesupelec.fr.