Cours en français non accessible aux étudiants inscrits dans les filières SD ou TSIA.
L'apprentissage statistique s'intéresse à l'inférence de modèles pour la reconnaissance de formes, la prédiction et le diagnostic, dans un cadre probabiliste et statistique.
Dans ce cours, l'étudiant apprendra
- d'abord à poser un problème d'apprentissage supervisé (classification et régression) en le formulant comme un problème d'optimisation de critères statistiques,
- à développer un algorithme dapprentissage approprié
- et à évaluer la fonction de classification ou de régression ainsi construite.
Les principaux modèles et algorithmes de l'apprentissage supervisé tels que le perceptron, réseaux de neurones, SVM/SVR, arbre, méthodes d'ensemble) seront étudiés. Une courte introduction à l'apprentissage non supervisé sera également proposée.
L'apprentissage statistique s'intéresse à l'inférence de modèles pour la reconnaissance de formes, la prédiction et le diagnostic, dans un cadre probabiliste et statistique.
Dans ce cours, l'étudiant apprendra
- d'abord à poser un problème d'apprentissage supervisé (classification et régression) en le formulant comme un problème d'optimisation de critères statistiques,
- à développer un algorithme dapprentissage approprié
- et à évaluer la fonction de classification ou de régression ainsi construite.
Les principaux modèles et algorithmes de l'apprentissage supervisé tels que le perceptron, réseaux de neurones, SVM/SVR, arbre, méthodes d'ensemble) seront étudiés. Une courte introduction à l'apprentissage non supervisé sera également proposée.
- Enseignant: Pietro Gori
- Enseignant: Matthieu Labeau
- Enseignant: Geoffroy Peeters