Génie industriel - Rubrique Formation - 2022

Apprentissage automatique - 4GMC14B1

  • Volumes horaires

    • CM 9.0
    • Projet -
    • TD 6.0
    • Stage -
    • TP -
    • DS 1.5

    Crédits ECTS

    Crédits ECTS 1.5

Objectif(s)

Le cours présente les premiers outils de traitement des données quantitatives et qualitatives par apprentissage automatique.
Les méthodes d'analyse qui seront apprises permettent la classification automatique ; la construction de modèles prédictifs ; l'évaluation des performances des méthodes ; le diagnostic des limites des applications de ces méthodes.

Responsable(s)

Iragael JOLY, Irene GANNAZ

Contenu(s)

.1 Enjeux de l'apprentissage automatique, apprentissage automatique supervisé (régression, classification)
méthodes supervisées vs méthodes non supervisées (présentation rapide de quelques méthodes non supervisées (k-means, dendrogrammes)).
.2 Méthode de régression et méthode de classification : Régression linéaire et régression logistique ; modèles, algorithmes et résolutions
.3 Évaluation interne de la régression et de la classification: Erreurs, résidus et évaluation des prédictions
.4 Évaluation externe : Hypothèses statistiques et évaluation des modèles
.5 Mise en oeuvre sur différentes bases de données

Prérequis

Les étudiants auront suivi et validé les cours suivants : Probabilité et statistiques ; Programmation avec R, Programmation avec Python.

Contrôle des connaissances

Cette pondération est compatible avec une organisation des enseignements et des examens en distanciel

Note de contrôle continu : TP (basée sur au moins 2 notes TP1 et TP2)
Note d'examen individuelle : EX

Note = 0.4*TP + 0.6*EX

Cette pondération est compatible avec une organisation des enseignements et des examens en distanciel

Note de contrôle continu : TP (basée sur au moins 2 notes TP1 et TP2)
Note d'examen individuelle : EX
Note = 0.4*TP + 0.6*EX

Calendrier

Le cours est programmé dans ces filières :

  • Cursus ingénieur - Ingénieur ICL - Semestre 7
  • Cursus ingénieur - Ingénieur IdP - Semestre 7
cf. l'emploi du temps 2023/2024

Informations complémentaires

Code de l'enseignement : 4GMC14B1
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

J.H. McDonald, (2009), Handbook of Biological Statistics, Sparky House Publishing.
I.H. Witten et E. Frank, (2005), DataMining – Practical machine learning tools and technics, Elsevier.
Stéphane Tufféry, (2005), Datamining et statistique Décisionnelle – L’intelligence dans les bases de données, Ed. Technip.
Cornillon et al., (2008), Statistiques avec R, Presses Universitaires de Rennes.
Gaël Millot, (2011), Comprendre et réaliser les tests statistiques à l'aide de R, 2ème édition, Editions De Boeck, 767 pages
Hill, Griffiths and Lim, (2011), Principles of Econometrics, Fourth Edition