Apprentissage statistique : modélisation décisionnelle et apprentissage profond (RCP209)¶
Ce site regroupe les supports écrits du cours « RCP209 – Apprentissage statistique : modélisation décisionnelle et apprentissage profond » du Cnam Paris. Cette unité d’enseignement présente les modèles prédictifs pour l’analyse de données, notamment les arbres de décisions, les machines à vecteurs de support et les réseaux de neurones profonds (deep learning). Les prérequis du cours et les modalités d’enseignement sont détaillées dans le préambule.
Table des matières¶
- Préambule
- Projets de l’UE RCP209
- Cours - Introduction à l’apprentissage supervisé
- Sujet du cours
- Objectifs et contenu de l’enseignement
- Modélisation décisionnelle
- Modélisation à partir de données : un cadre plus précis
- Quelques notations et définitions
- Choix d’une fonction de perte
- Choix des familles paramétriques
- Estimation du modèle
- Comment mesurer la capacité ?
- Minimisation du risque empirique régularisé (MRER)
- Minimisation du risque structurel (MRS)
- Comment minimiser le risque empirique (régularisé) ?
- Modélisation décisionnelle : que faut-il retenir ?
- Évaluation de modèles
- Sélection de modèles
- Travaux pratiques - Introduction à l’apprentissage supervisé
- Travaux pratiques - Evaluation et sélection de modèles décisionnels
- Cours - Arbres de décision
- Objectifs et contenu de cette séance de cours
- Arbres de décision : motivation, définitions
- Apprentissage avec les arbres de décision
- Implémentation : ID3 (Iterative Dichotomiser 3)
- CART : Arbres de classification et régression
- Élagage et gestion de données manquantes
- Extensions
- Références : livres et articles
- Travaux pratiques - Arbres de décision
- Cours - Forêts Aléatoires
- Travaux pratiques - Forêts aléatoires
- Cours - SVM linéaires
- Travaux pratiques - SVM linéaires
- Cours - Méthodes à noyaux
- Travaux pratiques - Méthodes à noyaux
- Cours - Algorithmes à noyaux et applications
- Travaux pratiques - Algorithmes à noyaux
- Cours - Introduction à l’apprentissage profond (deep learning)
- Travaux pratiques - Premiers réseaux de neurones
- Cours - Optimisation des réseaux de neurones artificiels
- Travaux pratiques - Perceptron multi-couche
- Cours - Réseaux de neurones convolutifs
- Travaux pratiques - Deep Learning avec Keras
- Cours - Réseaux convolutifs modernes
- Travaux pratiques - Transfer learning et fine-tuning
- Cours - Réseaux de neurones récurrents
- Travaux pratiques - RNN pour la génération de texte
- Cours - Réseaux récurrents avancés
- Travaux pratiques - Prédiction de séries temporelles
- Cours - Réseaux convolutifs avancés
- Travaux pratiques - Modèles de segmentation
- Cours - Au-delà de l’apprentissage supervisé
- Travaux pratiques - Apprentissage auto-supervisé: RotNet