Machine Learning : classification and evaluation

lingi2262  2020-2021  Louvain-la-Neuve

Machine Learning : classification and evaluation
La version que vous consultez n'est pas définitive. Cette fiche d’activité peut encore faire l'objet de modifications. La version finale sera disponible le 1er juin.
6 crédits
30.0 h + 30.0 h
Q2
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.
 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
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
  • 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
  • Algorithmes de classification non supervisée
Méthodes d'enseignement
  • Cours magistral
  • Travail écrit et / ou Miniprojet (2 étudiants / groupe, de 1 à 3 semaines)
  • Séance de discussion sur la correction des travaux
Modes d'évaluation
des acquis des étudiants
Les 4 mini-projets valent pour 30 % de la note finale, 70 % pour l'examen (à livre fermé).
Les mini-projets NE peuvent PAS être refaits en seconde session, les 30 % sont donc déjà fixés à la fin de Q2 et repris tels quels dans la note finale en seconde session.
Autres infos
Préalables:
- LSINF1121 Algorithmique et structures de données https://uclouvain.be/cours-lsinf1121.html - LFSAB1105 Probability and statistics: https://uclouvain.be/cours-LFSAB1105.html
Bibliographie
Slides obligatoires, disponibles sur :
http://moodleucl.uclouvain.be/course/view.php?id=8900 et plus généralement tous les documents (énoncés des mini-projets) disponibles sur le même site.
Faculté ou entité
en charge


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

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur civil en science des données
6

Master [120] : ingénieur civil électricien
6

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

Master [120] en sciences informatiques
6

Master [120] en statistique, orientation biostatistiques
6

Master [120] en statistique, orientation générale
6

Master [120] : ingénieur civil en mathématiques appliquées
6

Master [120] : ingénieur civil en informatique
6

Master [60] en sciences informatiques

Master [120] : ingénieur civil biomédical
6

Master [120] en science des données, orientation statistique
6

Master [120] en science des données, orientation technologies de l'information
6