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 donnés en entrée et sortie

Définition de concept

Définition d’un exemple

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:

Inférer des règles rudimentaires : 1Rule

Modélisation statistique : Naïve bayes

Construction d’arbre de décision : ID3, C4.5

Construction de règles de classification : Prisme Extraction de règles d’associations : Apriori

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.