Machine Learning : classification and evaluation

linfo2262  2021-2022  Louvain-la-Neuve

Machine Learning : classification and evaluation
6 crédits
30.0 h + 30.0 h
Q2
Enseignants
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
  • Cours magistraux
  • Projets incluant questions théoriques et applications pratiques. Ces projets sont implémentés dans le langage python. Ils sont soumis et évalués sur la plateforme Inginious.
Modes d'évaluation
des acquis des étudiants
En première session,  la note globale du cours est exclusivement basée sur les projets soumis et évalués durant le quadrimestre.
Cette note globale est calculée comme une moyenne pondérée des 5 projets du cours, selon la pondération suivante :
  • projet 1 = 10 %
  • projet 2 = 15 %
  • projet 3 = 10 %
  • projet 4 = 15 %
  • projet 5 = 50 %
En seconde session, les projets ne sont pas ré-évalués et ne peuvent donc pas être soumis à nouveau. Les notes des projets 1 à 4 sont conservées telles quelles, alors que le projet 5 est remplacé par un examen écrit à livre fermé. Cet examen s'effectue, par défaut, sur papier ou, le cas échéant, sur ordinateur. La note globale est calculée avec la même pondération qu'en première session, l'examen écrit comptant en particulier pour 50% de la note globale (en remplacement de celle du projet 5).
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


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

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

Master [120] : ingénieur civil en science des données

Master [120] : ingénieur civil électricien

Master [120] : ingénieur civil en informatique

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

Master [120] en statistique, orientation biostatistiques

Master [120] : ingénieur civil biomédical

Master [60] en sciences informatiques

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

Master [120] en sciences informatiques

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] en science des données, orientation statistique