Cours de niveau Master 2 destiné à des étudiants avec des connaissances de niveau L3/M1 au moins en probabilités (en fonction des formations).

Plan du cours

Ce cours aborde l'apprentissage automatique du point de vue de la modélisation probabiliste. Il s'agit de spécifier des distributions pertinentes pour des données au moyen de modèles graphiques, puis d'inférer les paramètres de ces distributions pour réaliser des tâches exploratoires ou prédictives.

Plan du cours :

  1. Rappel d'estimation par maximum de vraisemblance
  2. Modèles graphiques dirigés (réseaux bayésiens) pour la spécification de distributions
  3. Le classifieur bayésien naïf
  4. Modèle de mélange fini et algorithme EM
  5. Sélection de modèles
  6. Modèle de Markov Caché
  7. Stochastic Block Model et EM variationnel
  8. Régression linéaire bayésienne
  9. Processus gaussiens
  10. Modèles graphiques non orientés

TP

  1. TP sur le classifieur bayésien naïf
  2. TP R sur l'algorithme EM
  3. TP R sur le modèle de markov caché

Évaluation

L'évaluation du cours se fait sur un examen écrit classique. Lors des années précédentes, le cours était décomposé en deux parties, dont celle que je donnais (portant plutôt sur les modèles graphiques). Les énoncés ci-dessous sont donc avant tout représentatifs pour leur seconde partie :

Sélection d'articles

  1. thème analyse de textes
  2. thème séries temporelles :
  3. thème visualisation de données :
  4. thème recommandations :
  5. thème graphes :
  6. thème pas de thème ;-)

Bibliographie