Course: Apprentissage en Contexte (ASI5)

Topic outline

General
- Forum des nouvelles
- Le cours aborde les méthodes avancées d'apprentissage statistique et les problèmes d'optimisation qui se posent dans le domaine de l'apprentissage statistique, ainsi que des algorithmes efficaces pour les résoudre. Plus exactement, nous considérerons le processus d'entraînement automatique comme un problème d'optimisation. En particulier nous aborderons les questions liées à l'apprentissage d'optimisation convexes, différentiables, non convexes et non différentiables.
  
  Nous aborderons notamment :
  les questions récentes liées aux progrès récents de l’apprentissage statistique
  les moindres carrés et les pénalités usuelles associées (LASSO, MCP...)
  les méthodes de sélection de variables (Lasso, best subset, PCR et PLS...)
  les problème de réglage d'hyper paramètres
  AutoML
  l' Apprentissage de représentation
  les méthodes de clustering
  les méthodes de Factorisation
  Scikit learn sera utilisé pour la mise en ouvre de ces méthodes.
  Les TD auront lieu sous python à 'aide du notebook jupyter
  Vous pourrez aussi utiliser google colab
  https://colab.research.google.com
  
  Le cours et les TD auront lieu sur Zoom
  https://zoom.us/j/9888668613
  
  ID de réunion : 988 866 8613
  N'hésitez pas à installer et à tester zoom !
  N'hésitez pas à poser vos questions en avance sur le forum.
- le livre du cours : The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition February 2009 Trevor Hastie Robert Tibshirani Jerome Friedman. https://web.stanford.edu/~hastie/ElemStatLearn/ URL
- Evaluation :
  1. Pour tous : un examen écrit de 3h avec accès à un ordinateur ()
  2. Pour les ITI, il faut aussi effectuer une contribution (easy) à scikit learn :
  https://github.com/scikit-learn/scikit-learn/issues?q=is%3Aissue+is%3Aopen+label%3AEasy
  2.1 Définissez le point sur lequel vous voulez travailler (pour le 6 novembre)
  2.2 Rendez votre travail (avant le dimanche 12 janvier)
- Déposez ici le sujet de votre contribution à sklearn (pour le 6 novembre) Assignment
- Déposez ici votre contribution à sklearn (pour le 12 janvier) Assignment
Cours 2021 - 2022 (pas en visio)
- Cour d'introduction sur les véhicules autonomes File
- La vidéo du cours d'introduction à l'IA : https://webtv.insa-rouen.fr/lti/v125f645e42edb0ff1bv/ URL
- ----------------------------------------------------------------------------------------------------------------------------------------
- Lecture 1 and 2: Linear Methods for Regression (ESLT, chapter 3)
- lecture 1 and 2 Slides: Linear Methods for Regression File
- TP1 and 2: Linear regression File
- Rendu du TP 2 Assignment
- La vidéo du TP 1 : https://webtv.insa-rouen.fr/lti/v125f645e4377u3wsc05/ URL
- Vidéo du cours APPC sur les moindres carrés pénalisés URL
- Vidéo du TP 2 sur les moindres carrés pénalisés URL
- ---------------------------------------------------------------------
  Cour 3 sur le Lasso et l'optimisaton
- Cours 3 sur le Lasso et l'optimisation File
- Vidéo du cours 3 APPC sur le Lasso URL
- TP 3 sur le Lasso et l'optimisation File
- Vidéo du TP 3 ACCP sur le Lasso URL
- Déposez ici votre rendu du TP 3 Lasso Assignment
- Cours 4 sur le Lasso et l'optimisation File
- Vidéo du cours 4 APPC - L'algorithme CW pour le Lasso URL
- TP 4 sur le Lasso CW et autres sklearn pour le lasso File
- Vidéo du TD 4 Appc - L'algorithme CW pour le lasso URL
- Déposez ici votre TP 4 sur le CW pour le Lasso Assignment
- ------------------------------------------------------------------------
  TP 5 : Scikit Learn
  https://scikit-learn.org/
- TP 5 SciKitLearn for supervised classificassion File
- TP 5 SciKitLearn for supervised classificassion (HTML) File
- TP5 - sur colab URL
- titanic_data.csv File
- Indiquez vos résultats du TP5 ici URL
- Déposez ici votre TP 5 sur le Titanic et scikit learn avant 11h 30 Assignment
- Déposez ici le résultat de la vaidation de votre méthode par Kaggle (pensez à indiquer votre résultat sur le fichier des résultats ci-dessus) Assignment
- Lien vers la competition Kaggle URL
- -------------------------------------------------------------------------------------------------------------------
  TP 6: Auto ML
- Slides du cours sur Auto ML File
- Sujet du TP6 sur Auto ML File
- Lien vers le colab du TP URL
- Déposez ici votre TP sur AutoML avant 11h30 Assignment
- complétez le tableau avec vos résultats pour AUTO ML URL
- ---------------------------------------------------------------------------------------------
  Cours 7 : Visualisation et réduction de dimension
- Slides du cours sur la visualisation et réduction de dimension File
- Sujet du TP 7 sur la visualisation et réduction de dimension File
- le colab associé URL
- Données Coil 20 (.mat) File
- plot_repr.py File
- Déposez ici votre TP 7 Assignment
- --------------------------------------------------------------------------------
  Cours 8 : Clustering (classification non supervisé)
- Slides du cours 8 sur le clustering File
- TP 8 sur le clustering File
- Lien vers le colab sur le clustering URL
- Déposez ici votre TP 8 Assignment
- ----------------------------------------------------------------------------------------------------
  Cours 9 : les exemples adversaires
- Slides dur cours 9 sur les exemples adversaires File
- TP 9 sur les exemples adversaires File
- deposez ici votre TP sur les exemples adversaires Assignment
- Ma proposition de correction du TP 9 sur les exemples adversaires File
- ---------------------------------------------------------------------------------------------------
  Cours 10 : systèmes de recommandation
- Slides du cours sur les systèmes de recommandation File
- TP sur les système de recommandation File
- données Movie Lens 100K.mat File
- Donnée Movie Lens : u.data File
- Lien vers le collab du TP 10 sur MovieLens et les systèmes de recommandation URL
- Ma correction du TP 10 File
Cours 2019 - 2020
Not available
Cours 2017
Not available
Support partiel du cours 2017
Not available
Cours 2016
Not available
Bird Audio Detection Challenge
Not available
Séparation de source audio
Not available
Topic 8
Not available
Cours 2015 - 2016
Not available
Topic 10
Not available
Annales
- examen 2012 File
- Examen final 2015
- Le sujet File
- Examen final 2016
- Le sujet File
- Les données File
- Examen final 2017
- Le sujet de l'examen final APPC 2017 File
- BCIcsp.mat File
- Le sujet de l'examen final APPC 2018 File
- VowelApp.mat File
- Xa.tx (pour les pythonistes) File
- S.txt (toujours pour les pythonistes) File
- Examen 2018/2019
- sujet de l'Examen final 2018/2019 File
- les données de l'sujet de l'Examen final 2018/2019 File
- sujet de l'examen 2019/2020 File
Examen final 2020/2021
Examen final 2020
- sujet de l'examen 2020/2021 File
- déposez votre copie ici Assignment