S'inscrire

Machine learning : introduction

Environnement scientifique et technique de la formation

Centre international de rencontres mathématiques

- UMS 822
RESPONSABLE

Patrick FOULON

Senior researcher

UMS 822

LIEU

MARSEILLE (13)

ORGANISATION

2 jours
De 4 à 16 stagiaires
TP encadrés par un intervenant pour 8 stagiaires maximum
Le CIRM est un centre scientifique et de conférences. L'hébergement se fait sur place pour garantir l'aspect immersif de la formation. (interface@cirm-math.fr)

COÛT PÉDAGOGIQUE

1000 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATE DU STAGE

19380 : du lundi 09/12/2019 au mardi 10/12/2019

Janvier Février Mars Avril
Mai Juin Juillet Août
Sept. Oct. Nov. Déc.
19380
OBJECTIF
-

Connaître les fondamentaux de l'apprentissage automatique, des points de vue algorithmique, théorique, et pratique

PUBLICS
Ingénieurs informaticiens développeurs, ingénieurs généralistes, chefs de projets informatiques, chefs de projets en analyse ou traitement de données, personnels de R&D
Prérequis : connaissance du langage de programmation Python, bases de l'algorithmique, bases de l'algèbre linéaire, probabilités et statistiques élémentaires
PROGRAMME
L'apprentissage automatique est au cœur des avancées récentes en intelligence artificielle pour le traitement des données numériques. En particulier, les réseaux de neurones profonds (deep learning) impressionnent par leur capacité à résoudre avec précision des tâches de classification et de prédiction. Mais il existe aussi d'autres approches en apprentissage automatique, parfois plus performantes sur des problématiques réelles.
Cette formation propose - en 2 sessions distinctes et complémentaires ("Introduction" et "Approfondissement") un panorama des méthodes disponibles, avec les considérations mathématiques sous-jacentes. Elle a pour objectif de présenter les fondamentaux de l'apprentissage automatique, des points de vue algorithmique, théorique, et pratique. Ces deux phases présenteront les algorithmes majeurs de l'apprentissage automatique en introduisant sur les concepts mathématiques nécessaires, avec comme problématique centrale la classification supervisée (la régression sera aussi abordée). Cette pédagogie permet non seulement d'aborder l'apprentissage automatique sous l'angle des hypothèses expérimentales qui expliquent le bon fonctionnement des algorithmes présentés, mais aussi de favoriser la compréhension du comportement de ces algorithmes et en aval des autres non présentés.

- Objectifs et panorama de problèmes et méthodes
- Aspects fondamentaux de l'apprentissage statistique
- Compromis biais-variance
- Règles usuelles
- Principe de minimisation du risque empirique
- Séparateurs linéaires
- Modes d'estimation de l'erreur réelle
- Arbres de décision
- Boosting et bagging
- Mesures de performances usuelles
- Introduction à la régression linéaire et linéaire généralisée, etc.
La formation alternera séances plénières, ateliers, échanges et études de cas.
EQUIPEMENT
Il est demandé aux stagiaire de venir avec leur ordinateur portable avec installation préalable de la dernière version d'anaconda et de la dernière version de Kéras.
INTERVENANT
R. Eyraud (maître de conférences)
+ d'infos