Intitulé de la matière :       Apprentissage statistique

Intitulé de l’UE :      UEF2

Crédits : 4

Coefficients :2

Objectifs de l’enseignement

L’Objectif de ce cours est de fournir des outils de base d’apprentissage statistique, qui consiste à apprendre à partir d'un ensemble de données de classe. Chaque point de la classe est une paire d'entrées-sorties, où l'entrée correspond à une sortie. Le problème d'apprentissage consiste à déduire la fonction qui mappe entre l'entrée et la sortie, de sorte que la fonction apprise peut être utilisée pour prédire la sortie d'une entrée future.

Connaissances préalables recommandées: Statistique élémentaire.

Contenu de la matière

1.      Modèle statistique non paramétrique

2.     Algorithmes de moyenne local

3.     Algorithmes de minimisation du risque empirique

4.      Méthode SVM linéaire pour des données séparables

5.     Méthode SVM linéaire pour des données non séparables

6.     Méthodes d’agrégation : Bagging et forêts aléatoires


Mode d’évaluation : (Continu :40%, EMD :  60%).

Références

  • G. Biau, L. Devroye, Lectures on the Nearest Neighbor Method, Springer, 2015.
  • L. Devroye, L. Györfi, and G. Lugosi, A Probabilistic Theory of Pattern Recognition. Springer, New York, 1996.
  • T. Hastie, R. Tibshirani, and J. Friedman, The elements of statistical learning. Springer, New York, 2001.

Apprentissage statistique (Cours)

L'apprentissage statistique, également connu sous le nom d'apprentissage automatique (machine learning en anglais), est un domaine de l'informatique et de la statistique qui se concentre sur le développement de techniques permettant aux ordinateurs d'apprendre à partir de données et de prendre des décisions ou de réaliser des prédictions sans être explicitement programmés pour des tâches spécifiques. L'apprentissage statistique est un sous-domaine de l'intelligence artificielle (IA).

Les algorithmes d'apprentissage statistique utilisent des modèles mathématiques et statistiques pour analyser des données, extraire des modèles, et prendre des décisions basées sur ces modèles. Il existe plusieurs types d'apprentissage statistique, notamment :

  1. Apprentissage supervisé : Dans ce cas, l'algorithme est formé sur un ensemble de données d'entraînement qui comprend des exemples étiquetés. L'algorithme apprend à prédire des étiquettes ou des valeurs cibles à partir de nouvelles données non étiquetées. Les exemples incluent la régression (prédire une valeur numérique) et la classification (prédire une catégorie).
  2. Apprentissage non supervisé : Ici, l'algorithme explore des données non étiquetées pour identifier des structures ou des regroupements. Les exemples incluent la réduction de dimensionnalité (comme l'ACP), la classification non supervisée (comme le regroupement de k-moyennes), et la détection d'anomalies.
  3. Apprentissage par renforcement : C'est une forme d'apprentissage où un agent interagit avec un environnement et prend des actions pour maximiser une récompense cumulative. Il est couramment utilisé dans des domaines tels que les jeux, la robotique et la prise de décisions automatisées.

L'apprentissage statistique a de nombreuses applications dans le monde réel, allant de la recommandation de produits sur les sites de commerce électronique à la détection de fraudes, en passant par la médecine, la finance, l'automatisation industrielle, et bien plus encore. Il est alimenté par l'énorme quantité de données générées aujourd'hui et est un domaine de recherche en constante évolution.