Université Lyon 1
Arqus
Accueil  >>  Techniques d'apprentissage automatique
  • Unité d'enseignement : Techniques d'apprentissage automatique
Nombre de crédits de l'UE : 3
Code APOGEE : INF2417M
    Responsabilité de l'UE :
BENABDESLEM KHALID
 khalid.benabdeslemuniv-lyon1.fr
04.72.43.19.97
ELGHAZEL HAYTHAM
 haytham.elghazeluniv-lyon1.fr
04.26.23.44.65
    Contact scolarité :
HANACHI SARRA
 sarra.hanachiuniv-lyon1.fr
04.72.44.83.09
    Type d'enseignement
Nb heures *
Cours Magistraux (CM)
10.5 h
Travaux Dirigés (TD)
9 h
Travaux Pratiques (TP)
10.5 h

* Ces horaires sont donnés à titre indicatif.

    Pré-requis :
Des connaissances de base en programmation Python et en mathématiques/statistiques sontrequises
    Compétences attestées (transversales, spécifiques) :
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 etéconomiques 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 declassification, derégression, de clustering et de sélection de variables.
•Sensibiliser les étudiants aux problèmes variés que pose l’extraction de connaissances(descriptivesou prédictives) dans les gros volumes de données.
    Programme de l'UE / Thématiques abordées :
•Tour d’horizon des problèmes & types d’apprentissage (supervisé/non supervisé, classification/régression, single/multi-output, structuré/non structuré, 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 nonsupervisé (K-means, clustering hiérarchiques, etc.)
•Les concepts importants : critères de performance, validation croisée, overfitting.
•Sélection de variables.
•Applications : biologie, santé, marketing, maintenance prédictive, etc
•Mise en pratiquesur des jeux de données avec scikit-learn sous Python sur des cas d'étudesréels
Date de la dernière mise-à-jour : 07/09/2022
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='20493' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`