Syllabus ML
ML
Machine learning
Crédits : 4 Coef : 4
Machine learning
اﻟﺘﻌﻠﻢ اﻵﻟﻲ
VH Cours : 22.50 Pré-requis :
VH TD : 30.00 Mathématiques (Analyse, Algèbre linéaire), Statistiques, Probabilités.
Ingénierie des Compétences
Familles de Compétences Niveau de compétence:
CF6 : Concevoir des systèmes orientés données et/ou d'aide à la décision Base Intermédiaire Avancé
Type de compétence: TEC : Technique, MET : Méthodologique, MOD : Modélisation, OPE : Opérationnel,
Famille de
Compétence Elément de Compétence Type
Compétence
C62.3: Décliner les activités d'un processus
C6.2: Analyser un processus d'analyse de données MET
d'apprentissage automatique
CF6
C6.1: Ressortir l'information pertinente à partir d'une C61.4: Utiliser et développer des techniques
TEC
masse de données d'apprentissage automatique
Description du programme de la matière
L'apprentissage machine est un processus qui permet à la machine d'apprendre automatiquement, sans être explicitement
programmée. Plusieurs domaines nécessitent l'application de l'apprentissage automatiques parmi eux: la bioinformatique, le
marketing, les finances, la détection d'intrusion, tout type de prévision, reconnaissances palmaires, ...).
Apprentissage supervisée:
- Classification: Analyse discriminante, arbre de décision, réseaux de neurones, .....
- Régression linéaire, généralisée.....
Apprentissage non supervisée:
- Clustering
Algorithme par partitionnement (Kmeans (rappel), PAM, Clara,...)
Classification hiérarchique (rappel),
Objectifs: DBSCAN (basée densité),
Self Organizing Map (SOM)......
- Réduction de dimensionnalité: Analyse en composantes principales, sélection d'attributs.
- Règles d'association:
Apriori
Fp-Growth
Aperçu sur l'apprentissage semi supervisée.
Aperçu sur l'apprentissage par renforcement.
Nous allons nous intéresser à plusieurs travaux de recherche au sein de notre école qui utilisent l’apprentissage automatique
(Reconnaissance palmaire, Sélection automatique de méthodes de résolution).
Apprentissage supervisée:
- Classification: Analyse discriminante, arbre de décision, réseaux de neurones, .....
- Régression linéaire, généralisée.....
Apprentissage non supervisée:
- Clustering
Algorithme par partitionnement (Kmeans (rappel), PAM, Clara,...)
Classification hiérarchique (rappel),
DBSCAN (basée densité),
Self Organizing Map (SOM)......
- Réduction de dimensionnalité: Analyse en composantes principales, sélection d'attributs.
Contenu:
- Règles d'association:
Apriori
Fp-Growth
Aperçu sur l'apprentissage semi supervisée.
Aperçu sur l'apprentissage par renforcement.
Nous allons nous intéresser à plusieurs travaux de recherche au sein de notre école qui utilisent l’apprentissage automatique
(Reconnaissance palmaire, Sélection automatique de méthodes de résolution).
Travail
Personnel:
Charu C. Aggarwal • Jiawei Han. "Frequent Pattern Mining".
Tom [Link] : ”Machine Learning”,
Bibliographie:
Christopher M. Bishop : ”Pattern Recognition and Machine Learning".