Semaines

Description
(Voir les lectures sur le site de cours)

Heures

1

06 septembre

Organisation du cours

• Présentation personnelle
• Plan détaillé du cours

Introduction à l’intelligence artificielle

• Historique et applications
• Définitions
• Problèmes de classification, régression et catégorisation
• Apprentissage supervisé et non-supervisé

3

2

13 septembre

A. Méthodologie expérimentale

• Complexité des modèles et sur-apprentissage
• Protocoles de validation croisée pour la validation
• Mesures de performances: matrice de confusion, précision, courbes ROC/PR, complexité
• Prétraitement de données: normalisation, decorrélation, sélection de caractéristiques

3

3

20 septembre

  4

27 octobre

5

04 octobre

B. Methodes de classification

B.1 Perceptron et apprentissage

• Modèles de neurones biologiques et neurones artificiels
• Apprentissage: algorithme du gradient
• Limites: problème du XOR

B.2 : Réseaux de neurones multicouches

• Algorithme de rétro-propagation
• Fonctions de coût

B.3 Apprentissage profond

• Régularisation: sur-apprentissage et sous-apprentissage
• Stratégies d'entraînement : gradient stochastique, initialisation, moment, augmentations
• Apprentissage profond: réseaux convolutifs

3

3

3

6

11 octobre

7

18 octobre

Remise lab 1 (11 oct.)

B.4 SVM et méthodes à noyaux

• Classification linéaire
• Machines à vecteurs de support (SVM)

• Séparateurs à Large Marge à noyaux
• Réseaux à base radiale
• Algorithme des K-moyennes

3

3

8

25 octobre

Examen de mi-session

3

9

01 novembre

B.5 Classification statistiques

• Classificateur bayésien
• Algorithmes k-plus-proches-voisins (k-NN) 

3

10

15 novembre

11

22 novembre

12

29 novembre

C.Analyse et représentation de données

C.1 Techniques de représentation de l'information Prétraitement de donnée

• Analyse en composante principale (PCA)
• Analyse discriminante linéaire (LDA)
• Auto-Encodeurs

Remise lab 2 (22 nov.)

C.2 Approches de regroupement statistique (II)

• Algorithme des K-moyennes
• K-moyennes avec noyaux
• Mélanges de Gaussiennes

C.3 Approches de regroupement statistique (II)

• Regroupement hiérarchique
• Mean shift
• Regroupement spectrale

3

 3

3

13

06 décembre

Remise lab 3 (06 dec.)

Révision du cours

3

Total      

39

Semaines

Description
(Voir les lectures sur le site de cours)

Heures

1

Laboratoire 0 - Introduction à la programmation scientifique en python

4

2 à 5

Laboratoire 1 - Entrainement de réseaux de neurones

•Courbes ROC et PR

•Perceptron

•Réseau multicouche (MLP)

•Rétropropagation

8

6 à 9

Laboratoire 2 - SVM et classificateurs statistiques

•Machines à vecteurs de support (SVM)

•Algorithmes k-plus-proches-voisins (k-NN)

•Classificateur bayésien naïf

8

10 à 12

Laboratoire 3 - Analyse et représentation de données

•K-moyennes

•Analyse en composante principale (PCA)

6

Total          

26