Plus d’infos<\/a>]<\/p>\nVolume horaire<\/b>\u00a0: 10h de CM\u00a0–\u00a010h de TD\u00a0–\u00a07h de TP<\/p>\n<\/div>\n<\/li>\n<\/ul>\n
\nD\u00e9tails des UEs<\/h2>\n
\nIntroduction \u00e0 la science des donn\u00e9es<\/b><\/h3>\nObjectifs 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>\nNous 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>\nLa plupart des concepts abord\u00e9s seront illustr\u00e9s sur la base de donn\u00e9es artificielles et de donn\u00e9es r\u00e9elles.<\/span><\/p>\nA 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>\nProgramme 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>\nChapitre 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>\nChapitre 3 : La pr\u00e9diction par r\u00e9gression (lin\u00e9aire et polynomiale), introduction \u00e0 la causalit\u00e9<\/span><\/p>\nChapitre 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>\nChapitre 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>\nLes 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><\/h4>\n
C\u00e9cile Capponi<\/span><\/p>\nValentin Emiya<\/span><\/p>\nR\u00e9mi Eyraud (responsable)<\/span><\/p>\nHachem Kadri<\/span><\/p>\n\f<\/b><\/p>\n
\nIntroduction au TAL<\/b><\/h3>\nObjectifs 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>\nProgramme 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>\nS\u00e9ance 1 – Repr\u00e9sentation de textes<\/b><\/p>\n
CM+TD: Encodage de textes, tok\u00e9nisation, <\/span>word embeddings<\/span><\/i>, op\u00e9rations vectorielles<\/span><\/p>\nTP: tok\u00e9nisation de textes<\/span><\/p>\nS\u00e9ance 2 – Mod\u00e8les \u00e0 n-grammes<\/b><\/p>\n
CM+TD: Rappel probabilit\u00e9s, estimation de probabilit\u00e9s pour cha\u00eenes de markov<\/span><\/p>\nTP: Apprentissage d’un mod\u00e8le de n-grammes \u00e0 partir d’un texte<\/span><\/p>\nS\u00e9ance 3 – Mod\u00e8les d’\u00e9tiquetage de s\u00e9quences<\/b><\/p>\n
CM+TD: Estimation de probabilit\u00e9s pour HMM, algorithme <\/span>forward<\/span><\/i>, perplexit\u00e9<\/span><\/p>\nTP: Calcul de la perplexit\u00e9<\/span><\/p>\nS\u00e9ance 4 – D\u00e9codage avec mod\u00e8les de markov<\/b><\/p>\n
CM+TD: log-probabilit\u00e9s, algorithme de Viterbi<\/span><\/p>\nTP: Traduction automatique avec d\u00e9codage Viterbi<\/span><\/p>\nS\u00e9ance 5 – Alignement lexical<\/b><\/p>\n
CM+TD: apprentissage d’alignements sur donn\u00e9es incompl\u00e8tes (algorithme EM)<\/span><\/p>\nTP: Alignement lexical de corpus parall\u00e8les pour la traduction<\/span><\/p>\n\u00c9quipe enseignante<\/b><\/h4>\n
Fr\u00e9d\u00e9ric B\u00e9chet et Carlos Ramisch<\/span><\/p>\n\f<\/b><\/p>\n
\nIntroduction \u00e0 l\u2019apprentissage artificiel<\/b><\/h3>\nObjectifs 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>\nProgramme d\u00e9taill\u00e9<\/b><\/h4>\n\n- Chapitre 1. \u00a0Les fondamentaux de l’apprentissage artificiel (propri\u00e9t\u00e9s d\u2019un \u00e9chantillon, minimisation du risque, g\u00e9n\u00e9ralisation, espace d\u2019hypoth\u00e8se, biais et variance des estimateurs, r\u00e8gle majoritaire et r\u00e8gle de Bayes) : d\u00e9finition formelle du cas de le la classification supervis\u00e9e<\/span><\/li>\n
- Chapitre 2. Classification supervis\u00e9e lin\u00e9aire : perceptron et SVM<\/span><\/li>\n
- Chapitre 3. Classification supervis\u00e9e non-lin\u00e9aire : perceptron et SVM \u00e0 noyaux, principe de la r\u00e9gularisation<\/span><\/li>\n
- Chapitre 4. M\u00e9thodes ensemblistes (bagging, boosting)<\/span><\/li>\n<\/ul>\n
Les TP et TD seront des ateliers de pratique du cours, \u00e0 partir de donn\u00e9es artificielles (contr\u00f4l\u00e9es) et r\u00e9elles, avec visualisation des effets de la transformation des donn\u00e9es par m\u00e9thodes \u00e0 noyaux. Un effort de programmation d\u2019algorithmes d\u2019apprentissage en python sera notamment demand\u00e9. Tr\u00e8s rapidement, nous proposerons la participation des \u00e9tudiants \u00e0 un challenge de la plate-forme ENS Challenge Data, sur des donn\u00e9es r\u00e9elles et difficiles, par exemple le challenge Reminiz.<\/span><\/p>\nBibliographie:<\/span><\/p>\nApprentissage Artificiel (A. Cornu\u00e9jols, L. Miclet, 2\u00e8me \u00e9dition, Eyrolles)<\/span><\/p>\n\u00c9quipe enseignante<\/b><\/h4>\n
C\u00e9cile Capponi (responsable)<\/span><\/p>\n\f<\/b><\/p>\n
\nMod\u00e9lisation et r\u00e9solution pour la d\u00e9cision<\/b><\/h3>\nObjectifs de l\u2019UE<\/b><\/h4>\n
Les formalismes CSP (Probl\u00e8me de Satisfaction de Contraintes) et SAT (probl\u00e8me de satisfiabilit\u00e9 en logique propositionnelle) permettent d\u2019exprimer ais\u00e9ment des probl\u00e8mes de d\u00e9cision en mettant en relation des variables \u00e0 l\u2019aide de contraintes ou de clauses.<\/span><\/p>\nIls offrent un cadre relativement puissant permettant de repr\u00e9senter de nombreux probl\u00e8mes industriels et acad\u00e9miques (probl\u00e8me d\u2019allocation de fr\u00e9quence, ordonnancement, cryptographie, bioinformatique, etc.) \u00a0tout en disposant d\u2019outils efficaces (solveurs) pour leur r\u00e9solution.<\/span><\/p>\nPour chaque formalisme, l\u2019\u00e9tudiant devra appr\u00e9hender les techniques de r\u00e9solution et surtout \u00eatre capable de mod\u00e9liser de nouveaux probl\u00e8mes. Diff\u00e9rentes mod\u00e9lisations \u00e9tant envisageables, il devra \u00eatre en mesure d\u2019orienter ses choix en tenant compte des sp\u00e9cificit\u00e9s des solveurs employ\u00e9s.<\/span><\/p>\nProgramme d\u00e9taill\u00e9<\/b><\/h4>\n
Plan du cours :<\/span><\/p>\n\n- Cours 1 \/ TD 1 (5h) : CSP (formalisme et r\u00e9solution)<\/span><\/li>\n
- Cours 2 \/ TD 2 (5h) : SAT (formalisme et r\u00e9solution)<\/span><\/li>\n<\/ul>\n
\u00c9quipe enseignante<\/b><\/h4>\n
Djamal Habet (responsable)<\/span><\/p>\nCyril Terrioux<\/span><\/p>\n
\n\f<\/span>M\u00e9thodes num\u00e9riques pour l\u2019informatique<\/b><\/h3>\nObjectifs de l\u2019UE<\/b> <\/i><\/h4>\n
L\u2019objectif de ce cours est de donner les bases math\u00e9matiques n\u00e9cessaires pour suivre les cours des parcours IMD? , <\/span>G\u00e9om\u00e9trie Informatique Graphique<\/span><\/i> (GIG) et <\/span>Intelligence Artificielle et Apprentissage Automatique<\/span><\/i> (IAAA). Les diff\u00e9rentes notions seront abord\u00e9es \u00e0 la fois par leurs aspects th\u00e9oriques et pratiques. En prenant comme base commune l\u2019alg\u00e8bre lin\u00e9aire, ce cours pr\u00e9sentera des notions de calculs vectoriels et matriciels, les bases pour la r\u00e9solution de syst\u00e8mes d\u2019\u00e9quations lin\u00e9aires pour aller vers l\u2019optimisation num\u00e9rique…<\/span><\/p>\nProgramme d\u00e9taill\u00e9<\/b><\/h4>\n
Le cours se d\u00e9compose en trois parties :<\/span><\/p>\n\n- Rappel d\u2019alg\u00e8bre lin\u00e9aire (vecteurs, matrices), espace de Hilbert, normes, distances, calcul matriciel, matrices classiques (rotation, permutation\u2026), fonctions (gradient, d\u00e9riv\u00e9).<\/span><\/li>\n
- R\u00e9solution de syst\u00e8mes d\u2019\u00e9quations lin\u00e9aires, m\u00e9thode de Newton, m\u00e9thode du gradient conjugu\u00e9, m\u00e9thode des moindres carr\u00e9s.<\/span><\/li>\n
- Optimisation non-lin\u00e9aire, descente de gradient, KKT, contraintes<\/span><\/li>\n<\/ol>\n
Les cours seront accompagn\u00e9s de TD et TP o\u00f9 seront propos\u00e9s des exemples concrets des notions et m\u00e9thodes pr\u00e9sent\u00e9es. Les TP seront effectu\u00e9s en Python.<\/span><\/p>\n\u00c9quipe enseignante<\/b><\/h4>\n
Jean Sequeira, responsable, (4,5 CM, 9 TD, 9 TP)<\/span><\/p>\nFran\u00e7ois-Xavier Dup\u00e9, (4,5 CM, 4,5 TD, 4,5 TP)<\/span><\/p>\nHachem Kadri, (4,5 TD, 4,5 TP)<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"Liste des UEs du M1 IAAA dans les th\u00e9matiques du master IAAA (Cursus complet sur le\u00a0site AMU du master) UEs obligatoires Stage et TER UEs optionnelles UEs obligatoires Introduction \u00e0 la sciences des donn\u00e9es\u00a0(3\u00a0cr\u00e9dits) Contenu\u00a0: A travers trois cas d\u2019utilisation, ce cours introduit la notion d\u2019analyse de donn\u00e9es, selon trois points de vue\u00a0: le clustering…<\/p>\n","protected":false},"author":3,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-42","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=\/wp\/v2\/pages\/42","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=42"}],"version-history":[{"count":26,"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=\/wp\/v2\/pages\/42\/revisions"}],"predecessor-version":[{"id":900,"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=\/wp\/v2\/pages\/42\/revisions\/900"}],"wp:attachment":[{"href":"https:\/\/iaaa.lis-lab.fr\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=42"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}