Université Lyon 1
Arqus
Accueil  >>  Master  >>  Informatique  >>  M2 Intelligence artificielle  >>  Apprentissage et analyse de données
  • Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
  • Diplôme : Master
  • Mention : Informatique
  • Parcours : M2 Intelligence artificielle
  • Unité d'enseignement : Apprentissage et analyse de données
Nombre de crédits de l'UE : 3
Code APOGEE : INF1205M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
    Responsabilité de l'UE :
ELGHAZEL HAYTHAM
 haytham.elghazeluniv-lyon1.fr
04.26.23.44.65
    Type d'enseignement
Nb heures *
Cours Magistraux (CM)
15 h
Travaux Dirigés (TD)
6 h
Travaux Pratiques (TP)
9 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.

    Pré-requis :

 Des connaissances de base en programmation Python et des notion en mathématiques/statistiques

    Compétences attestées (transversales, spécifiques) :

Objectifs :

Ce module est composé de parties au sommet de la chaîne de traitement des données qui visent le même objectif de production de connaissances, typiquement pour les décideurs, à partir des données. Il vise à :

●       Permettre aux étudiants d’appréhender les enjeux méthodologiques, technologiques et économiques d’un projet de traitement de données

●       Expérimenter ces enjeux à travers des exemples concrets et pratiques.

●       Assimiler les objectifs du Machine Learning et connaître ses techniques et outils de classification, de régression, de clustering et de sélection de variables.

    Programme de l'UE / Thématiques abordées :

Plan de l'UE :

●       Tour d’horizon des problèmes & types d’apprentissage (supervisé/non supervisé, classification/régression, single/multi output, statistiques ou non, etc.).

●       Principaux modèles et algorithmes d’apprentissage supervisé (modèles linéaires, réseaux de neuronnes, arbres de décision, Bagging, Random Forest, Boosting) et d’apprentissage non  supervisé (K-means, clustering hiérarchiques, etc.)

●       Les concepts importants préparation de données, critères de performance, overfitting, dilemme biais-variance, validation croisée, données déséquilibrées, données manquantes, ingénieurie des variables, etc.

●       Sélection de variables

●       Text Mining : Préparation de données, TF-IDF, SVD, etc.

●       Mise en pratique sur des jeux de données avec scikit-learn sous Python sur des cas d'études réels.

                             

 

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='26120' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`