Formation doctorant EJN

Programme Scientifique

Histoire de l'IA

Base de Mathématiques

Le cours introduira les méthodes mathématiques de base nécessaires à l'apprentissage machine :

• rappel des probabilités : lois discrètres, continues, formules de
  Bayes
• estimation par maximum de vraisemblance
• entropies (Shanon,différentielle), divergence de Kulback-Liebler, entropie croisée
• régression linéaire, logistique
• techniques de projections linéaires :décomposition en valeurs singulières

Introduction au machine learning

Quelques méthodes usuelles seront introduites :

• Arbre de décision
• K Mean
• SVM

Deep Learning

• Surveillance de l'apprentissage et analyse des performances
  • Utilisation d'une base de validation pour identifier un surapprentissage
  • Métriques d'évaluation des performances : precision, recall, accuracy, F1-score (en fonction de ce qui aura pu être abordé en TP la veille)
• Méthodes de régularisation
  • Weight decay
  • Dropout
  • Batch-Normalization
• Introduction à des structures avancées
  • Convolutionnal Neural Networks
  • Recurrent Neural Networks, Auto-encoders, Generative Adversarial Networks