Supervised Machine Learning

François Coste

Ce module présente les concepts, la méthodologie et les principales approches de l'apprentissage automatique en se focalisant sur l'apprentissage de classifieurs à partir d'exemples étiquetés (spam vs non-spam, reconnaissance de caractères, classification de protéines…).

Mots-clés

Classification, discrimination, généralisation, biais d'apprentissage, espaces de représentations et de recherche.

Prérequis

Bases en : informatique, mathématique, logique, statistiques et probabilités.

Contenu

Concepts et méthodologie de l'apprentissage supervisé

• Définitions et problématique
• Induction et principe inductif
• Organisation d'un processus d'apprentissage, nécessité d'un biais
• Evaluation de l'apprentissage - Théorique - PratiqueApprentissage supervisé symbolique
• Induction et relation d'ordre : espace des versions
• Inférence grammaticale
• Programmation Logique Inductive
• Arbres de décision (transition vers méthodes numériques)Apprentissage supervisé numérique
• Réseaux de neurones / apprentissage profond (deep learning, auto-encodeur)
• Séparateurs linéaires et séparateurs à vaste marge
• Apprentissage Bayésien et estimateurs de densité (noyaux, PPV)
• Méthodes d'ensembles: Bagging et Boosting
• Manipulations pratiques avec Scikit-learn

Compétences acquises

• Acquérir les fondamentaux de l'apprentissage automatique
• Connaître les principaux algorithmes d’apprentissage supervisé
• Maitriser la mise en place d'un processus d'apprentissage