Formations

Apprentissage statistique : modélisation descriptive et introduction aux réseaux de neurones

Code UE : RCP208-MPY

  • Cours
  • 6 crédits
  • Volume horaire de référence
    (+ ou - 10%) : 50 heures

Responsable(s)

Michel CRUCIANU

Public, conditions d’accès et prérequis

Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances de base sur l'analyse des données, la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi le cycle préparatoire de l'EICNAM ou avoir un niveau équivalent (licence).

L'avis des auditeurs

Les dernières réponses à l'enquête d'appréciation pour cet enseignement :

Présence et réussite aux examens

Pour l'année universitaire 2022-2023 :

  • Nombre d'inscrits : 135
  • Taux de présence à l'évaluation : 61%
  • Taux de réussite parmi les présents : 52%

Objectifs pédagogiques

Ce cours donne des éléments de base de l'analyse des données et de la modélisation descriptive, ainsi que des principes à mettre en œuvre pour traiter des applications réelles. Une introduction à la modélisation décisionnelle avec des réseaux de neurones est également présentée. L'analyse des données et la modélisation descriptive aident à comprendre les données empiriques issues de phénomènes naturels, économiques ou socio-culturels. Cette compréhension facilite la mise en œuvre de méthodes performantes de construction de modèles décisionnels.
Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que la santé, la climatologie, la sécurité, le marketing, la gestion de la relation client, etc.
L'enseignement adopte une approche pragmatique, les séances de travaux pratiques permettant la mise en œuvre systématique des méthodes présentées.
Les unités d'enseignement RCP209 « Apprentissage statistique : modélisation décisionnelle et apprentissage profond », RCP211 « Intelligence artificielle avancée » et RCP217 « Intelligence artificielle pour des données multimédia » sont des suites recommandées de RCP208.

Compétences visées

Analyser des données, mettre en œuvre une modélisation descriptive, mettre en œuvre un modèle décisionnel à base de réseaux de neurones multi-couches.

Mots-clés

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
  • Applications, nature des problèmes de modélisation et spécificités des données.
  • Analyse des données, réduction linéaire de dimension : méthodes factorielles.
  • Classification automatique : k-moyennes, DBSCAN.
  • Estimation de densités : noyaux, modèles de mélange.
  • Réduction non-linéaire de dimension : t-SNE, UMAP.
  • Imputation des données manquantes.
  • Sélection de variables.
  • Réseaux de neurones multi-couches : capacités d'approximation, descente de gradient, apprentissage et régularisation, représentations internes.
Chaque séance de cours est suivie d'une séance de TP permettant de mettre en œuvre les méthodes présentées.
Les TP sont réalisés en utilisant principalement la plateforme Scikit-learn. Une introduction rapide au langage Python, à NumPy, à Matplotlib et à Scikit-learn est prévue lors des premières séances de TP.

Examen ; certaines questions peuvent porter sur les travaux pratiques.

  • A. Belaid, Y. Belaid : Reconnaissance des formes : méthodes et applications. Ed. Inter Editions.
  • G. Dreyfus, et al : Réseaux de neurones : méthodologies et applications. Ed. Eyrolles.
  • M. Crucianu, J.-P. Asselin de Beauville, R. Boné : Méthodes factorielles pour l'analyse des données : méthodes linéaires et extensions non-linéaires. Ed. Hermès.
  • G. Saporta : Probabilités, analyse des données et statistique. Ed. TECHNIP.
  • D.J. Hand, H. Mannila, P. Smyth : Principles of Data Mining (Adaptive Computation and Machine Learning). Ed. Bradford Book.

Cette UE apparaît dans les diplômes et certificats suivants

Chargement du résultat...
Patientez
Intitulé de la formation
Type
Modalité(s)
Lieu(x)
Intitulé de la formation Certificat de spécialisation Intelligence artificielle
Type Certificat d'établissement
Lieu(x) À la carte
Lieu(x) Bretagne, Madagascar, Paris
Entrée Sans niveau spécifique
Intitulé de la formation Certificat de spécialisation Intelligence artificielle et calcul scientifique
Type Certificat d'établissement
Lieu(x) À la carte
Lieu(x) Paris
Entrée Sans niveau spécifique
Intitulé de la formation Master Informatique — Parcours Systèmes d'Information et Business Intelligence (SIBI)
Type Diplôme national (DEUST, licence, master, doctorat, diplôme d'Etat)
Lieu(x) Package
Lieu(x) Paris
Entrée Niveau 6 (Bac+3 et 4)
Intitulé de la formation Master Sciences, technologies, santé mention Informatique Parcours Recherche opérationnelle
Type Diplôme national (DEUST, licence, master, doctorat, diplôme d'Etat)
Lieu(x) Package
Lieu(x) Paris
Entrée Niveau 6 (Bac+3 et 4)
Intitulé de la formation Master Informatique — Parcours Traitement de l'information et exploitation des données (TRIED)
Type Diplôme national (DEUST, licence, master, doctorat, diplôme d'Etat)
Lieu(x) Package
Lieu(x) Paris
Entrée Niveau 6 (Bac+3 et 4)
Intitulé de la formation Diplôme d'ingénieur Spécialité informatique Parcours Intelligence Artificielle et Optimisation
Type Diplôme d'ingénieur
Lieu(x) À la carte
Lieu(x) Auvergne - Rhône-Alpes, Centre - Val de Loire, Madagascar, Paris, Pays de la Loire
Entrée Niveau 5 (Bac+2)
Intitulé de la formation Type Modalité(s) Lieu(x)

Contact

EPN05 - Informatique
2 rue Conté 33.1.9A
75003 Paris
Tel :01 58 80 87 99
Jean-mathieu Codassé
Voir le site

Centre(s) d'enseignement proposant cette formation

  • Midi-Pyrénées
    • 2025-2026 1er semestre : Formation en présentiel soir ou samedi
    Comment est organisée cette formation ?
    2025-2026 1er semestre : Formation en présentiel soir ou samedi

    Précision sur la modalité pédagogique

    • Une formation en présentiel est dispensée dans un lieu identifié (salle, amphi ...) selon un planning défini (date et horaire).