Niveau d'étude
BAC +4
Composante
Polytech Dijon (Ex-ESIREM)
Description
Principe et implémentation de :
- SVM : fonction de coût, optimisation, noyaux et techniques multi-classes
- Arbres et méthodes d’ensemble (bagging ou random forest par exemple)
- Régression régularisée : fonction de coût, types de régularisation et optimisation
- Réduction de dimension (analyse en composantes principales par exemple)
Réseaux de neurones (principe, implémentation à la main et utilisation de librairies) :
- Descente de gradient, surfaces d'erreurs, Widrow-Hoff et règle delta généralisé, réseaux à rétropropagation (FFBP).
- Choix des hyperparamètres (fonction de coût, fonctions d’activation, learning rate, nombre d’epoch) et validation des performances
Objectifs
- Comprendre en profondeur et implémenter des algorithmes de machine learning (classification, régression régularisée et réduction de dimension)
- Comprendre en profondeur et implémenter des réseaux de neurones simples
- Utiliser, évaluer et choisir des réseaux de neurones simples à l’aide de librairies
Heures d'enseignement
- CMCours Magistral10,5h
- TDTravaux Dirigés7h
- TPTravaux Pratiques14h
Pré-requis obligatoires
- Algorithmique et programmation Python
- Introduction à l'intelligence artificielle