Machine Learning : classification and evaluation

Enseignants

Dupont Pierre;

Langue
d'enseignement

Anglais

Thèmes abordés

• Apprentissage par recherche, par biais inductif
• Combinaisons de décisions
• Minimisation d'une fonction de perte, descente de gradient
• Evaluation des performances
• Apprentissage par mémorisation de prototypes
• Apprentissage probabiliste
• Classification non supervisée

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 en informatique », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants : INFO1.1-3 INFO2.3-4 INFO5.3-5 INFO6.1, INFO6.4 Eu égard au référentiel AA du programme « Master [120] en sciences informatiques », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants : SINF1.M4 SINF2.3-4 SINF5.3-5 SINF6.1, SINF6.4 Les étudiants ayant suivi avec fruit ce cours seront capables de comprendre et appliquer des techniques standard pour construire des programmes informatiques qui s'améliorent automatiquement avec l'expérience, en particulier pour les problèmes de classification évaluer la qualité d'un modèle appris pour une tâche donnée évaluer les performances relatives de plusieurs algorithmes d'apprentissage justifier de l'utilisation d'un algorithme d'apprentissage particulier en prennant en compte la nature des données, le problème d'apprentissage et une mesure de performance pertinente utiliser, adapter et étendre des  logiciels d'apprentissage Les étudiants auront développé des compétences méthodologiques et opérationnelles.  En particulier, ils auront développé leur capacité à : exploiter la documentation technique pour faire un usage efficace d'un package préexistant, communiquer des résultats de test sous forme synthétique en utilisant par exemple des graphiques.

Contenu

• Apprentissage d'arbres de décision: ID3, C4.5, CART, Forêts aléatoires
• Discriminants linéaires: perceptrons, descente de gradient et minimisation des moindres carrés
• Hyperplans de marge maximale et séparateurs à vaste marge
• Apprentissage profond
• Probabilités et statistiques en apprentissage automatique
• Évaluation des performances: tests d'hypothèses, comparaisons d'algorithmes d'apprentissage, analyse ROC
• Classificateurs gaussiens, discriminants de Fisher
• Apprentissage bayésien: maximum de vraisemblance, maximum a posteriori, classifieur optimal, classifieur bayésien naïf
• Apprentissage par mémorisation de prototypes: k plus proches voisins, algorithme LVQ

Méthodes d'enseignement

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

• Cours magistraux
• Plusieurs projets incluant quelques questions théoriques et principalement des applications pratiques. 

Les cours magistraux sont donnés, par défaut, en présentiel. Selon le nombre effectif d'étudiant.e.s inscrit.e.s au cours et l'évolution de la situation sanitaire, un dispositif pour pouvoir suivre le cours à distance sera également mis en place (enseignement co-modal).
Les projets sont soumis en ligne et évalués sur la plateforme Inginious.

Modes d'évaluation
des acquis des étudiants

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Les projets valent pour 40 % de la note finale, 60 % pour l'examen final (à livre fermé).
Les projets ne peuvent pas être refaits en seconde session, les notes de projets sont donc déjà fixées à la fin du quadrimestre et reprises telles quelles dans la note finale en seconde session.
L'examen final est, par défaut, un écrit (sur papier ou, le cas échéant, sur un ordinateur).
Ces règles d'évaluation sont sujettes à d'éventuelles mises à jour en fonction de la situation sanitaire. En particulier, le poids relatif des projets et de l'examen final pourrait être adapté.  De telles adaptations seraient alors notifiées aux étudiants via une annonce générale sur le site Moodle du cours.

Ressources
en ligne

http://moodleucl.uclouvain.be/course/view.php?id=8900

Bibliographie

Des ouvrages complémentaires sont recommandés sur le site Moodle du cours.
Additional textbooks are recommended on the Moodle site for this course.

Support de cours

• Les supports obligatoires sont constitués de l'ensemble des documents (transparents des cours magistraux, énoncés des travaux pratiques, compléments, ...) disponibles depuis le site Moodle du cours.
• Required teaching material include all documents (lecture slides, project assignments, complements, ...) available from the Moodle website for this course.

Faculté ou entité
en charge

INFO