Topic outline
General
- 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 jupyterVous pourrez aussi utiliser google colabN'hésitez pas à poser vos questions en avance sur le forum. Ali DAHER est le nouveau chargé de TD cette année. Vous pouvez le joindre par email ali.daher@insa-rouen.fr ou par tél sur 07 45 49 64 31.
Evaluation :
1. Pour tous : un examen écrit de 3h
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)
Cours 2022-2023
----------------------------------------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------
------------------------------------------------------------------------
TP 6 : Scikit Learn
-------------------------------------------------------------------------------------------------------------------
TP 7: Auto ML
- ---------------------------------------------------------------------------------------------Cours 8 : Visualisation et réduction de dimension
--------------------------------------------------------------------------------
Cours 9 : Clustering (classification non supervisé)
----------------------------------------------------------------------------------------------------
Cours 10 : les exemples adversaires
---------------------------------------------------------------------------------------------------
Cours 11 : systèmes de recommandation
Annales
Examen final 2015
Examen final 2016
Examen final 2017
- Examen 2018/2019