Programme des cours 2017-2018
ATTENTION : version 2016-2017 de l'engagement pédagogique
ELEN0062-1  
Introduction to machine learning
Durée :
30h Th, 5h Pr, 40h Proj.
Nombre de crédits :
Master en ingénieur civil biomédical, à finalité5
Master en science des données, à finalité5
Master en ingénieur civil électricien, à finalité 5
Master en ingénieur civil en informatique, à finalité 5
Master en ingénieur civil en science des données, à finalité5
Master en sciences informatiques, à finalité5
Master en bioinformatique et modélisation, à finalité 6
Master en sciences mathématiques, à finalité8
Nom du professeur :
Pierre Geurts, Louis Wehenkel
Coordinateur(s) :
N...
Langue(s) de l'unité d'enseignement :
Langue anglaise
Organisation et évaluation :
Enseignement au premier quadrimestre, examen en janvier
Unités d'enseignement prérequises et corequises :
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement :
Starting in the academic year 2014-2015 this course will be given in full English (Please, see the English version of this course description).
L'apprentissage inductif désigne la construction automatique d'une solution générale d'un problème à partir de solutions d'instances particulières de ce problème. Les applications en sont nombreuses: extraction de règles de diagnostic médical de relevés médicaux de patients; bioinformatique; construction de procédures d'allocation de crédits bancaires à partir de bases de données de clients; vision par ordinateur; modélisation, optimisation, contrôle de processus complexes; synthèse automatique de programmes; extraction d'expertise humaine... La partie théorique du cours introduit les différents types de problèmes d'apprentissage (exploration de données, classification automatique, approximation), le principes sous-jacents (biais/vartiance, validation) et les grandes classes de méthodes complémentaires (statistiques, symboliques, neuronales). Les travaux pratiques permettent aux étudiants de se familiariser avec ces dernières en les appliquant à diverses bases de données réelles.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement :
A l'issue de ce cours l'étudiant sera capable d'analyser les principales propriétés théoriques (computationnelles et statistiques) de principaux algorithmes d'apprentissage automatique, de les mettre en oeuvre de façon pratique, et d'en évaluer les performances de façon rigoureuse
Savoirs et compétences prérequis :
Eléments de calcul de probabilités, de statistique, d'algorithmique et d'optimisation numérique
Activités d'apprentissage prévues et méthodes d'enseignement :
Cours théorique ex cathedra, combiné avec des travaux personnels sur ordinateur
Mode d'enseignement (présentiel ; enseignement à distance) :
1er semestre
Lectures recommandées ou obligatoires et notes de cours :
Modalités d'évaluation et critères :
Travail pratique (compétition entre les étudiants pour résoudre un problème d'apprentissage automatique particulier), et examen oral vérifiant l'assimilation théorique des notions vues au cours
Stage(s) :
Remarques organisationnelles :
Page web : http://www.montefiore.ulg.ac.be/~lwh/AIA
Contacts :
mailto:L.Wehenkel@ulg.ac.be(L.Wehenkel@ulg.ac.be )mailto:p.geurts@ulg.ac.be(p.geurts@ulg.ac.be)