Machine learning : regression, deep networks and dimensionality reduction

lelec2870  2023-2024  Louvain-la-Neuve

Machine learning : regression, deep networks and dimensionality reduction
5.00 crédits
30.0 h + 30.0 h
Q1
Enseignants
Lee John; Lee John (supplée Verleysen Michel); Verleysen Michel;
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.
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


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] : ingénieur civil biomédical

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

Master [120] en linguistique

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

Master [120] : ingénieur civil électricien

Master [120] en statistique, orientation générale

Master [120] : bioingénieur en chimie et bioindustries

Master [120] : ingénieur civil en informatique

Master [120] en sciences informatiques

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] : ingénieur civil en science des données

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

Master [120] : bioingénieur en sciences agronomiques

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

Master [120] : ingénieur civil en génie de l'énergie