INFO0904 - Apprentissage automatique

Retour au parcours Retour à la liste des EC
  • Liste des parcours dans lesquels apparaît l'EC

  • Mention / Parcours / Parcours type ECTS Points
    Informatique / Informatique / IA 2 20
  • Équipe pédagogique

    • Responsables

    • ROUSSEAUX Francis (Responsable)
      Département : Mathématiques (UFR SEN)
    • BLANCHARD Frédéric (Responsable)
      Département : Informatique IUT (IUT RCC - Reims)
  • Volume horaire

  • Nature CMTD Total
    Durée 15h10h25h
  • Modalités de contrôle des connaissances (MCC)

  • Epreuves Nature IECREOTEOT Total
    Durée 1h0h300h30
    Cas général 1ère session 5050 100%
    2nd session 5050 100%
    Dispense contrôle continu 1ère session 5050 100%
    2nd session 5050 100%
  • Modalités de contrôle des connaissances (MCC)

  • Cas général

  • Nature Durée 1ère session 2ème session
    IE 1h 50% 0%
    CR 50% 50%
    EOT 0h30 0% 50%
  • Dispense contrôle continu

  • Nature Durée 1ère session 2ème session
    CR 50% 50%
    EOT 0h30 50% 0%
    EOT 0h30 0% 50%
  • Objectifs

  • L'objectif de ce module est de comprendre les problématiques du machine learning et de maîtriser l'usage d'une sélection d'algorithmes emblématiques. À travers des exemples concrets, nous aborderons les problèmes de clustering, d'aide à la décision, d'extraction de règles d'association, et d?analyse de données liées.Une attention particulière sera apportée à l?intégration des méthodes dans un worflow complet d?analyse, ainsi qu?à la présentation synthétique et visuelle des résultats.D'un point de vue pratique, les travaux seront réalisés en R à l'aide de packages dédiés.
  • Compétences spécifiques visées

  • Comprendre les problématiques associées au machine learningSavoir identifier la méthode à utiliser en fonction du problèmeEtre capable de la mise en ?uvre dans un processus complet d?analyse et de fournir une restitution et une interprétation des résultatsUtilisation de packages dédiés en R
  • Connaissances requises

  • Notions de base en R
  • Programme

  • 1. Contexte, problématique et workflow en machine learning2. Apprentissage non superviséa. Clustering (k-means, CAH)b. Clustering par modèles de mélanges gaussiens, algorithme EMc. Extraction de règles d'association (a priori)d. Analyse de données liées (pagerank)3. Apprentissage superviséa. Réseaux de neuronesb. Arbres de décision, forêts aléatoiresc. Bagging, Boosting