{"id":334,"date":"2018-05-03T16:10:22","date_gmt":"2018-05-03T14:10:22","guid":{"rendered":"https:\/\/iaaa.lis-lab.fr\/?page_id=334"},"modified":"2024-10-07T19:40:08","modified_gmt":"2024-10-07T17:40:08","slug":"details-des-ues","status":"publish","type":"page","link":"https:\/\/iaaa.lis-lab.fr\/?page_id=334","title":{"rendered":"D\u00e9tails des UEs"},"content":{"rendered":"

D\u00e9tails des UEs de M1<\/h1>\n

\f<\/b><\/p>\n

Introduction \u00e0 la science des donn\u00e9es (M1)
<\/b><\/h3>\n

Objectifs de l\u2019UE<\/b><\/h4>\n

L\u2019objectif principal de l\u2019UE est de sensibiliser et familiariser l\u2019\u00e9tudiant avec les id\u00e9es, les algorithmes, les protocoles de base de la science de donn\u00e9es. <\/span><\/p>\n

Nous y traiterons ainsi des approches incontournables pour visualiser les donn\u00e9es, r\u00e9duire leurs dimensions, les analyser par des approches de regroupement et de r\u00e9gression, et les utiliser pour \u00e9tablir des mod\u00e8les pr\u00e9dictifs (classification). Pour environner ces approches dans un cadre exp\u00e9rimental, nous parcourrons les principales m\u00e9triques d\u2019\u00e9valuation des estimations faites et leurs modes de calcul ; ceci permettra de d\u00e9finir des cadres exp\u00e9rimentaux coh\u00e9rents pour la mise en oeuvre de s\u00e9lection automatique de mod\u00e8les. <\/span><\/p>\n

La plupart des concepts abord\u00e9s seront illustr\u00e9s sur la base de donn\u00e9es artificielles et de donn\u00e9es r\u00e9elles.<\/span><\/p>\n

A l\u2019issue de cette UE, tout \u00e9tudiant sera en capacit\u00e9 de r\u00e9aliser un cha\u00eene compl\u00e8te de visualisation et traitements de donn\u00e9es en avec des m\u00e9thodes simples.<\/span><\/p>\n

Programme d\u00e9taill\u00e9<\/b><\/h4>\n

Chapitre 1 : Visualiser les donn\u00e9es (ACP, r\u00e9sum\u00e9s statistiques type histogrammes), principes de normalisation et de standardisation. <\/span><\/p>\n

Chapitre 2 : Le regroupement de donn\u00e9es (clustering) : m\u00e9thode des k-moyennes, m\u00e9thodes hi\u00e9rarchiques, impact du choix de la distance, d\u00e9couverte de la notion de stabilit\u00e9 \u00a0<\/span><\/p>\n

Chapitre 3 : La pr\u00e9diction par r\u00e9gression (lin\u00e9aire et polynomiale), introduction \u00e0 la causalit\u00e9<\/span><\/p>\n

Chapitre 4 : Crit\u00e8res de performances (erreur, pr\u00e9cision, ROC, etc.) et modes d\u2019estimation (hold-out, validation crois\u00e9e). Principes de la s\u00e9lection de mod\u00e8les. D\u00e9finir un protocole exp\u00e9rimental solide. <\/span><\/p>\n

Chapitre 5 : La classification \u00e0 travers les m\u00e9thodes (a) des \u00a0k plus proches voisins, et (b) des arbres de d\u00e9cision ; \u00e9tude de l\u2019impact des hyper-param\u00e8tres <\/span><\/p>\n

Les TP et TD seront des ateliers de pratique du cours, \u00e0 partir de donn\u00e9es benchmark de l\u2019UCI pour se familiariser avec les concepts de la science des donn\u00e9es. Ils seront r\u00e9alis\u00e9s en python, en se familiarisant avec les packages numpy, sklearn, et pandas. A partir du 3\u00e8me TD\/TP, un projet sera travaill\u00e9 sur des donn\u00e9es visuelles (images num\u00e9ris\u00e9es).<\/span><\/p>\n

\u00c9quipe enseignante<\/b><\/p>\n

C\u00e9cile Capponi (responsable)
<\/span><\/p>\n

Hachem Kadri<\/p>\n

Thomas Schatz<\/p>\n

\n

Introduction au traitement automatique des langues (M1)
<\/b><\/h3>\n

Objectifs de l\u2019UE<\/b><\/h4>\n

Le but de ce cours est de familiariser les \u00e9tudiants avec les repr\u00e9sentations vectorielles et avec les mod\u00e8les de s\u00e9quence pour le traitement automatique du langage naturel (TAL). \u00c0 l’issue de ce cours, un \u00e9tudiant doit ma\u00eetriser ce mod\u00e8le et \u00eatre capable de l’appliquer \u00e0 des t\u00e2ches d’\u00e9tiquetage de s\u00e9quences telles que la traduction automatique.<\/span><\/p>\n

Programme d\u00e9taill\u00e9<\/b><\/h4>\n

Les s\u00e9ances TP permettent de r\u00e9aliser le projet de mani\u00e8re incr\u00e9mentale. \u00c0 l’issue du dernier TP, les \u00e9tudiants auront impl\u00e9ment\u00e9 un traducteur automatique mot-\u00e0-mot fond\u00e9 sur un mod\u00e8le d’\u00e9tiquetage de s\u00e9quences (HMM). Le contenu des CM et des TD permet d’acqu\u00e9rir les notions th\u00e9oriques n\u00e9cessaires \u00e0 la r\u00e9alisation du projet.<\/span><\/p>\n

S\u00e9ance 1<\/strong> – Repr\u00e9sentation de textes<\/em><\/p>\n

CM+TD: Encodage de textes, tok\u00e9nisation, <\/span>word embeddings<\/span><\/i>, op\u00e9rations vectorielles<\/span><\/p>\n

TP: tok\u00e9nisation de textes<\/span><\/p>\n

S\u00e9ance 2<\/strong> – Mod\u00e8les \u00e0 n-grammes<\/em><\/p>\n

CM+TD: Rappel probabilit\u00e9s, estimation de probabilit\u00e9s pour cha\u00eenes de markov<\/span><\/p>\n

TP: Apprentissage d’un mod\u00e8le de n-grammes \u00e0 partir d’un texte<\/span><\/p>\n

S\u00e9ance 3<\/strong> – Mod\u00e8les d’\u00e9tiquetage de s\u00e9quences<\/em><\/p>\n

CM+TD: Estimation de probabilit\u00e9s pour HMM, algorithme <\/span>forward<\/span><\/i>, perplexit\u00e9<\/span><\/p>\n

TP: Calcul de la perplexit\u00e9<\/span><\/p>\n

S\u00e9ance 4<\/strong> – D\u00e9codage avec mod\u00e8les de markov<\/em><\/p>\n

CM+TD: log-probabilit\u00e9s, algorithme de Viterbi<\/span><\/p>\n

TP: Traduction automatique avec d\u00e9codage Viterbi<\/span><\/p>\n

S\u00e9ance 5<\/strong> – Alignement lexical<\/em><\/p>\n

CM+TD: apprentissage d’alignements sur donn\u00e9es incompl\u00e8tes (algorithme EM)<\/span><\/p>\n

TP: Alignement lexical de corpus parall\u00e8les pour la traduction<\/span><\/p>\n

\u00a0<\/h4>\n

\u00c9quipe enseignante<\/b><\/h4>\n

Fr\u00e9d\u00e9ric B\u00e9chet (responsable)<\/span><\/p>\n

Alexis Nasr
<\/span><\/p>\n

\n

\u00a0<\/h3>\n

Introduction \u00e0 l\u2019apprentissage artificiel (M1)
<\/b><\/h3>\n

Objectifs de l\u2019UE<\/b><\/h4>\n

L\u2019apprentissage artificiel (ou automatique) est une discipline \u00e0 l\u2019intersection entre la science des donn\u00e9es et l\u2019intelligence artificiel. Nous introduisons cette discipline aujourd\u2019hui majeure par le biais de la notion de classification. L\u2019objectif est que les \u00e9tudiants se familiarisent avec la plupart des concepts et r\u00e9sultats majeurs de la classification supervis\u00e9e, qui sont essentiels pour aborder d\u2019autres cadres de l\u2019apprentissage artificiel. Une introduction au cadre statistique de l\u2019apprentissage sera pr\u00e9sent\u00e9e, dans l\u2019objectif que la propri\u00e9t\u00e9 essentielle de g\u00e9n\u00e9ralisation soit acquise et contextualis\u00e9e. Sur cette base, les approches de classification lin\u00e9aire (SVM et perceptron) seront trait\u00e9es — avec une extension vers les m\u00e9thodes non-lin\u00e9aire via la notion de fonction noyau –. Le focus sur les SVM permettra notamment de sensibiliser les \u00e9tudiants \u00e0 la notion de r\u00e9gularisation, majeure en apprentissage artificiel. Enfin, la classification supervis\u00e9e sera abord\u00e9e \u00e0 travers l\u2019\u00e9tude d\u2019ensemble de classifieurs (mod\u00e8les additifs de classification et bootstraping).<\/span><\/p>\n

\u00a0<\/h4>\n

Programme d\u00e9taill\u00e9<\/b><\/h4>\n