Techniques d’apprentissage et Intelligence artificielle.
Module d’Ingénierie des connaissances (Licence en informatique).
Introduction à l’apprentissage automatique Des exemples simples
Les domaines d’applications
Présentation de l’apprentissage supervisé et non supervisé Cas du semi supervisé
Les données en entrée et sortie
Définition de concept
Définition d’un exemple
Définition d’un attribut
Démonstration sur des exemples réels
Principe des tables de décisions et Exemples
Principe des arbres de décisions et Exemples
Principe des règles de classification et Exemples
Principe de la représentation à base d’instance et Exemples
Principe des clusters
Clustering : K-means
Mode d’évaluation : 60% examen et 40% travail personnel
Cornuéjols A. &Miclet L. : Apprentissage artificiel : Concept et algorithmes. Eyrolles, 2002. Mitchell T. : Machine Learning. McGraw Hill, 1997.
Cherkassky V. &Mulier F. : Learning from data. Concepts, theory and methods.WileyInterscience, 1998.
Haykin S. : Neural netwoks. A comprehensive foundation.Prentice Hall, 1999. Duda, Hart &Stork : Pattern classification (2nd éd.). Wiley-Interscience, 2001.
Hastie, Tibshirani&Friedman : The elements of statistical learning. Data mining, inference and prediction.Springer, 2001.
Cristianini N. &Shawe-Taylor J. : Support Vectors Machines and other kernel-based learning methods. Cambridge University Press, 2000.
Bishop C. : Neural networks for pattern recognition. Clarendon Press, 1995. Webb A. : Statistical pattern recognition. Arnold, 1999.