Estimation et apprentissage de données

Contenu du module

Les méthodes d’estimations et d’apprentissage permettent le traitement automatique de grandes masses de données et sont aujourd’hui aux coeurs de thématiques phares telles que tels que le « Big Data » et « l’Intelligence artificielle ».
Ce module abordera les fondamentaux de l’estimation à partir de données statistiques afin de quantifier de manière robuste un processus d’estimation. Les méthodologies d’apprentissage automatique (dites de Machine Learning) seront également étudiées et mises en pratique pour des applications d’analyse de données génériques ou d’analyse d’images (reconnaissance de formes, de caractères, etc).

  • Identifier
    • Les paramètres influençant une estimation statistique ainsi que leurs rôles.
    • Une approche adéquate de classification et d’apprentissage de données (supervisée ou non).
    • Les problématiques et grandes approches relevant du thème des Big Data.
  • Concevoir
    • L’estimation d’une méthode de mesure.
    • Une méthode de classification et d’apprentissage à partir d’un ensemble de données quelconque.
  • Mettre en oeuvre
    • Les algorithmes standards de l’apprentissage automatique.
    • Une méthode d’apprentissage sur une grande masse de données.

Contenu

  1. Estimation Bayesienne
  2. Apprentissage
    • Non supervisé (PCA, LDA, KNN, K-Means).
    • Supervisé (Bayesienne, Regression, Support Vector Machine, Réseaux de neurones).
    • Semi-supervisé : Graphes, Graph-based learning, Classification (Standard, Laplacian, PageRank).
    • Réseaux de neurones.
  3. Big Data

Comments are closed