Université Lyon 1
Arqus
Accueil  >>  Master  >>  Mathématiques appliquées, statistique  >>  M1 Mathématiques appliquées, statistique  >>  Classification et réseaux de neurones
  • Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
  • Diplôme : Master
  • Mention : Mathématiques appliquées, statistique
  • Parcours : M1 Mathématiques appliquées, statistique
  • Unité d'enseignement : Classification et réseaux de neurones
Nombre de crédits de l'UE : 6
Code APOGEE : MAT1345M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
    Responsabilité de l'UE :
CLOPEAU THIERRY
 thierry.clopeauuniv-lyon1.fr
04.72.44.85.15
MARTEAU CLEMENT
 clement.marteauuniv-lyon1.fr
    Type d'enseignement
Nb heures *
Cours Magistraux (CM)
24 h
Travaux Dirigés (TD)
18 h
Travaux Pratiques (TP)
18 h
Durée de projet en autonomie (PRJ)
0 h
Durée du stage
0 h
Effectif Cours magistraux (CM)
210 étudiants
Effectif Travaux dirigés (TD)
35 étudiants
Effectif Travaux pratiques (TP)
18 étudiants

* Ces horaires sont donnés à titre indicatif.

    Compétences attestées (transversales, spécifiques) :
Non rédigé
    Programme de l'UE / Thématiques abordées :

L'apprentissage statistique occupe une place centrale dans de nombreux domaines, aussi bien du côté académique qu'industriel. De nombreuses méthodes ont été développées au fil du temps, permettant de répondre à une large gamme de problématiques. Ces dernières années ont par ailleurs vu le retour en grâce des réseaux de neurones dont le pouvoir prédictif a été démultiplié par l'évolution de la puissance de calcul des ordinateurs.

Cette UE propose un tour d'horizon des principaux modèles utilisés en apprentissage, ainsi qu'une première prise en main de quelques méthodes incontournables.

La première partie du cours proposera dans un premier temps une introduction à la classification non supervisée. Un tour d'horizon des principales approches utilisées dans ce contexte sera proposé : k-means, classification hiérarchique, modèles de mélange gaussiens et algorithme EM. Dans un second temps, nous nous intéresserons à des problématiques de classification supervisée en présentant des méthodes telles que les k plus proches voisins, méthodes SVM, régression logistique, réseaux de neurones, etc. Quelques premiers éléments théoriques seront proposés.

La seconde partie du cours sera entièrement dédiée à l'utilisation des réseaux de neurones sur une large gamme de jeux de données et de situations réelles, permettant ainsi de donner une idée du spectre d'utilisation de ce type d'approche.

SELECT MEN_ID, `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`, `PAR_ID` FROM parcours INNER JOIN ue_parcours ON PAR_ID_FK=PAR_ID INNER JOIN mention ON MEN_ID = PAR_MENTION_FK WHERE PAR_ACTIVATE = 0 AND UE_ID_FK='25300' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`