MI203 (Mineure IA & Cyberphysique)

Apprentissage automatique (Machine Learning)

Programmation détaillée 2021-22

Professeurs : Stéphane Herbin (ONERA), Gianni Franchi (ENSTA/U2IS), Adrien Chan Hon Tong (ONERA)

Chargés de TD : Gaston Lenczner (Doctorant Alteia/ONERA), Magdeleine Airiau (Doctorante ONERA)

Description & Objectifs :

Née dans les années 50 avec l'apparition de l'informatique, l’apprentissage automatique a connu récemment un essor remarquable grâce à la disponibilité de masses de données, de grandes puissances de calcul (GPU) et d’environnements logiciels spécialisés (Deep Learning). Les techniques d’apprentissage automatique ont permis un gain de performances important sur des problèmes classiques d’interprétation de données complexes (classification d’images, reconnaissance de visages, conduite de véhicule autonome, reconnaissance de la parole, traduction, diagnostic médical, etc.)

Le cours se veut une introduction à ce domaine. Il vise à en donner une vision d’ensemble, quelques bases théoriques, et une méthodologie de conception. Il sera validé par un examen, et par la réalisation d'un mini projet permettant d'évaluer la capacité de mise en oeuvre d'une démarche d'apprentissage automatique sur des données réelles.

Au terme de ce cours l'étudiant doit être capable de :

mettre en œuvre, dans le cadre d’applications et données concrètes, les concepts théoriques et les outils mathématiques proposés dans le cours ;

construire et justifier une approche à partir d’une analyse des données et du problème, et de l’évaluer ;

recourir à des outils et environnements logiciels de conception modernes.

Mode d'évaluation :

1 TP / Mini-projet
1 contrôle écrit

CRÉNEAU	DESCRIPTIF DE LA SÉANCE	INTERVENANTS	RESSOURCES
Vendredi 28/1 9:00--12:15	Cours (9:00--10:00) - Introduction au Machine Learning : Contexte, applications et principales approches - Théorie bayésienne de la décision et k plus-proches voisins	Stéphane Herbin	Copie des transparents "Introduction"
Vendredi 28/1 9:00--12:15	TP (10:15--12:15) - : Application sur un problème de classification de textes	Stéphane Herbin Gianni Franchi Gaston Lenczner
Vendredi 4/2 9:00--12:15	Cours (9:00--10:00) - Apprentissage supervisé 1 : Arbres de décision et Méthodes ensemblistes	Stéphane Herbin	Copie des transparents "Arbres de Décision"
Vendredi 4/2 9:00--12:15	TP (10:15--12:15) - : Application à la classification de base de données	Stéphane Herbin Gaston Lenczner Magdeleine Airiau
Vendredi 11/2 9:00--12:15	Cours (9:00--10:00) - Apprentissage supervisé 2 : Support Vector Machines	Stéphane Herbin	Copie des transparents "SVM"
Vendredi 11/2 9:00--12:15	TP (10:15--12:15) - : Etude de la régularisation, application à la classification de chiffres.	Stéphane Herbin Gaston Lenczner Magdeleine Airiau
Vendredi 18/2 9:00--12:15	Cours (9:00--10:00) - Réseaux de Neurones 1: Neurones artificiels, fonction d'activation, réseau de neurones, rétropropagation du gradient (survol)	Adrien Chan Hon Tong	Copie des transparents "Réseau de Neurones 1"
Vendredi 18/2 9:00--12:15	TP (10:15--12:15) - : Étude papier d'un petit réseau ; implémentation d'un MLP (multi-layer perceptron) simple	Adrien Chan Hon Tong Gaston Lenczner Magdeleine Airiau	Instructions du TP "MLP"
Vendredi 4/3 9:00--12:15	Cours (9:00--10:00) - Réseaux de Neurones 2: CNN et rétro-propagation, Deep learning : convolution, pooling, architectures classiques	Adrien Chan Hon Tong	Copie des transparents "Réseau de Neurones 2"
Vendredi 4/3 9:00--12:15	TP (10:15--12:15) - : Application sur la base de chiffres manuscrits MNIST	Adrien Chan Hon Tong Gianni Franchi Magdeleine Airiau
Vendredi 11/3 9:00--12:15	Cours (9:00--10:00) - Apprentissage non supervisé :	Gianni Franchi	Copie des transparents "Apprentissage non supervisé"
Vendredi 11/3 9:00--12:15	TP (10:15--12:15) - :	Gianni Franchi Gaston Lenczner Magdeleine Airiau
Vendredi 18/3 9:00--12:15	Examen écrit (9:00-10:00) Lancement du TP-Mini projet (10:15--12:15)	Gianni Franchi Stéphane Herbin