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
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
Partitionnement
Hiérarchique
Probabiliste
Flou et autres
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
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.