Apprentissage Automatique

Objectifs de l’enseignement:

Techniques d’apprentissage et Intelligence artificielle.

Connaissances préalables recommandées:

Module d’Ingénierie des connaissances (Licence en informatique).

Contenu de la matière :

1. Apprentissage automatique outils et techniques

          Introduction à l’apprentissage automatique

          Des exemples simples

          Les domaines d’applications

          Présentation de l’apprentissage supervisé et non supervisé

          Cas du semi supervisé

2. Les données en entrée et sortie:

3. Définition de concept
4. Définition d’un exemple
5. Définition d’un attribut

       Démonstration sur des exemples réels

3.         Les connaissances en sortie:

       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

•          Partitionnement
•          Hiérarchique
•          Probabiliste
•          Flou et autres

4. Méthodes de bases : Les Algorithmes Simples
5.   Inférer des règles rudimentaires : 1Rule
6.   Modélisation statistique : Naïve bayes
7.   Construction d’arbre de décision : ID3, C4.5
8.   Construction de règles de classification : Prisme
9.   Extraction de règles d’associations : Apriori
10.   Apprentissage à base d’instance : K-NN

     Clustering : K-means

Mode d’évaluation : 60% examen et 40% travail personnel

Références:

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.