Intitulé de la matière : Apprentissage Automatique (AA)
Intitulé de l’UE : UEF3
Crédits : 6
Coefficients : 3
Objectifs de l’enseignement
Fournir des outils fondamentaux permettant l'extraction automatique des informations afin de caractériser les classes d’objets (apprentissage) et l'affectation automatique des données à ces classes (reconnaissance). Savoir définir un modèle de décision par une méthode de classification.
Connaissances préalables recommandées: Algèbre et Probabilité.
Contenu de la matière
1. Introduction à l’Apprentissage Automatique
2. Notions de Descripteur, Similarité et Classe
3. Apprentissage et Classification Supervisés
- Approches Statistiques
- Méthode des k-plus proches voisins (k-ppv ou k-nn)
- Algorithme Naïf Bayésien
- Maximum de Vraisemblance (EM)
- Approche géométrique par
Discrimination linéaire
- Hyperplan Séparateur (cas, problème à 2 classes, SVM)
- Analyse Discriminante Linéaire (ACP, ADL et ses variantes
- Réseaux Neuronaux (Neurone formel, PMC, retro-propagation, gradient)
4. Apprentissage et Classification Non Supervisés
- Algorithme des k-means
- Partitionnement Hiérarchique
5. Exemples d'applications réalisées en TP
- Reconnaissance automatique des voyelles du français
- Reconnaissance de caractères
Mode d’évaluation : (Continu :40%, EMD : 60%).
Références
- J.P. Asselin de Beauville, F.Z. Kettaf, Bases théoriques pour l’apprentissage et la décision en reconnaissance des formes, Editions Cepadues, 2005.
- R.O. Duda, PE Hart, DG Stork, Pattern Classification, Editions John Wiley & Sons, 2001.