Niveau d'étude
BAC +4
Composante
Polytech Dijon (Ex-ESIREM)
Description
Optimisation bio-inspirée
- Formalisation d'un problème d'optimisation
- Introduction aux méthodes exactes et approchées
- Méthodes de trajectoire : recherche locale, recuit simulé, recherche taboue
- Méthodes à base de population : algorithmique évolutionnaire
Algorithmique génétique
Introduction à l'apprentissage automatique
- Présentation de l’apprentissage automatique, définition des termes importants (intelligence artificielle, machine learning, optimisation, fonction de coût, entraînement et test) et des types de machine learning (supervisé, non supervisé, classification, régression)
- Classification : principaux algorithmes (régressions logistiques, arbres, forêts aléatoires, SVM) et méthodes d’évaluation
- Régression : principaux algorithmes et utilisation avancée (régression linéaire, régularisation) et méthodes d’évaluation
- Utiliser ces algorithmes : validation, sur-apprentissage
Objectifs
- Formaliser un problème d’optimisation en identifiant les variables de décision et les fonctions objectifs
- Différencier les méthodes d'optimisation exactes et approchées, choisir un algorithme efficace (et l'implémenter) pour résoudre le problème posé
- Reconnaître les situations où le machine learning est utile, reconnaître le type problème de machine learning et choisir un algorithme approprié
- Entraîner, évaluer et comparer des algorithmes de machine learning déjà implémentés, pour des problèmes de classification ou régression
Heures d'enseignement
- CMCours Magistral15,75h
- TDTravaux Dirigés12,25h
- TPTravaux Pratiques10h
Pré-requis obligatoires
- Algorithmique
- Programmation Python