Machine learning : regression, deep networks and dimensionality reduction

Enseignants

Lee John; Lee John (supplée Verleysen Michel); Verleysen Michel;

Langue
d'enseignement

Anglais
> Facilités pour suivre le cours en français

Thèmes abordés

Méthodes d'analyse de données linéaires et non-linéaires, en particulier à des fins de régression et de réduction de dimension, y compris pour la visualisation.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :
1	Eu égard au référentiel AA du programme « Master ingénieur civil biomédical », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants : AA1.1, AA1.2, AA1.3 AA3.1, AA3.2, AA3.3 AA4.1, AA4.2, AA4.4 AA5.1, AA5.2, AA5.3, AA5.5 AA6.3 Plus précisément, au terme du cours, l'étudiant sera capable de : - Comprendre et appliquer des techniques d'apprentissage automatique (machine learning) pour l'analyse de données et de signaux, en particulier pour des problèmes de régression et de prédiction. - Comprendre et appliquer des techniques linéaires et non linéaires de visualisation de données. - Evaluer les performances de ces méthodes par des techniques appropriées. - Guider les choix à effectuer parmi les méthodes existantes sur base de la nature des données et des signaux à analyser

Contenu

• Régression linéaire
• Régression non-linéaire avec perceptrons multi-couches (MLP)
• Réseaux profonds (convolutionnels CNN et adversariels GAN)
• Clustering et quantification vectorielle
• Régression non-linéaire avec réseaux à fonctions radiales de base (RBFN)
• Sélection de modèles
• Sélection de variables
• Analyse en Composantes Principales (PCA)
• Réduction non-linéaire de dimension et visualisation de données
• Analyse en Composantes Indépendantes (ICA)
• Méthodes à noyaux (SVM)

Méthodes d'enseignement

Cours magistral en auditoire si les conditions sanitaires le permettent, avec retransmission et/ou enregistrement video si les conditions sanitaires l’exigent.  Travaux pratiques encadrés sur ordinateur, et projet à réaliser individuellement ou en binome.

Modes d'évaluation
des acquis des étudiants

L’évaluation comprends deux parties.
1) Un travail de type projet à effectuer pendant le quadrimestre, à rendre sous forme de rapport de projet incluant des réponses aux questions accompagnant l'énoncé du travail;
2) Un examen écrit ou oral portant sur le cours et les séances de travaux pratiques.
La partie 1) compte pour 50% des points de l’évaluation finale, la partie 2) pour 50%. 
Les étudiants ayant présenté l'examen de la session de janvier, peuvent demander à conserver la note de la partie 1) pour un éventuel examen lors de la session d’août.

Ressources
en ligne

Cours : LELEC2870 - Machine learning : regression, deep networks and dimensionality reduction (uclouvain.be) 

Bibliographie

Divers livres de références (mais non obligatoires) mentionnés sur le site du cours

Support de cours

• slides disponibles sur Moodle - slides available on Moodle

Faculté ou entité
en charge

> ELEC