Machine learning : regression, deep networks and dimensionality reduction

lelec2870  2020-2021  Louvain-la-Neuve

Machine learning : regression, deep networks and dimensionality reduction
En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées, notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).
5 crédits
30.0 h + 30.0 h
Q1
Enseignants
Langue
d'enseignement
Anglais
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

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

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

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

Examen mixte écrit-oral à livre fermé.  Le projet fait partie de l’évaluation.  Les modalités d’examen pourront être adaptées en fonction des conditions sanitaires et du nombre d’étudiants inscrit.
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
Force majeure
Méthodes d'enseignement
Cours magistral à distance et/ou enregistrement vidéo.  Travaux pratiques sur ordinateur, et projet à réaliser individuellement ou en binôme.
Modes d'évaluation
des acquis des étudiants
Examen organisé durant la session de janvier, physiquement à Louvain-la-Neuve à moins que la situation sanitaire ne permette pas d'examen sur place: examen écrit à livre ouvert.  En cas d’examen reporté ou d’inscription à une autre session, l’examen pourra être transformé en un examen oral, suivant le nombre d’étudiants concernés.  Le projet est évalué, et l’examen écrit ou oral pourra  porter sur une partie de celui-ci.


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en science des données, orientation statistique

Master [120] en linguistique

Master [120] : ingénieur civil en informatique

Master [120] en sciences informatiques

Certificat d'université : Statistique et sciences des données (15/30 crédits)

Master [120] : ingénieur civil électricien

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] : bioingénieur en sciences agronomiques

Master [120] : bioingénieur en gestion des forêts et des espaces naturels

Master [120] : bioingénieur en sciences et technologies de l'environnement

Master [120] : ingénieur civil en science des données

Master [120] : bioingénieur en chimie et bioindustries

Master [120] en science des données, orientation technologies de l'information

Master [120] en statistique, orientation générale

Master [120] : ingénieur civil biomédical