|
|
| Nov |
Dec |
Jan |
 |
03 |
 |
| 2016 |
2017 |
2018 |
|
|
|
|
COLLECTED BY
Organization:
Alexa Crawls
Starting in 1996,
Alexa Internet has been donating their crawl data to the Internet Archive. Flowing in every day, these data are added to the
Wayback Machine after an embargo period.
Starting in 1996,
Alexa Internet has been donating their crawl data to the Internet Archive. Flowing in every day, these data are added to the
Wayback Machine after an embargo period.
TIMESTAMPS
There are no sub-resources in the page.
Enseignants
Ce cours est co-enseigné par deux chercheurs: Francis
Bach (responsable du cours) et Jean-Philippe
Vert.
Un chargé de TD assurera les séances pratiques (Jean-Baptiste
Alayrac).
INSCRIPTION
OBLIGATOIRE
Résumé du cours
L'apprentissage statistique est une discipline en plein essor à
l'interface de l'informatique et des mathématiques appliquées
(probabilités / statistiques, optimisation, etc.) et qui joue aujourd'hui
un rôle majeur en matière d'innovation technologique.
À la différence d'un cours de statistique traditionnel, l'apprentissage
statistique se préoccupe particulièrement de l'analyse de données de
grande dimension ainsi que de l'efficacité des algorithmes pour traiter
d'importants volumes de données telles que rencontrées dans des domaines
d'applications divers tels l'analyse d'image et du son, le traitement
automatique du langage, la bioinformatique ou la finance.
L'objectif du cours est de présenter les théories et algorithmes majeurs
de l'apprentissage statistique. Les méthodes abordées reposeront en
particulier sur des arguments d'analyse convexe et de statistiques. Les
séances de TDs (dont plus de la moitié seront réalisées sur machines)
donneront lieu à des implantations simples des algorithmes vus en cours et
à une application à différents domaines comme la vision ou le traitement
du langage. Ce cours a comme débouché naturel le master
M2 MVA de l'ENS de Cachan.
Les seuls pré-requis sont d'être familier avec les fondements de
la théorie des probabilités (notion de variables aléatoires, théorèmes de
convergence, espérance conditionnelle).
Méthode pédagogique, attendus et critères
d'évaluation
L'objectif de ce cours est de mêler
-- théorie (des théorèmes seront prouvés)
-- et pratique (des algorithmes seront à implémenter sur données réelles ou
artificielles).
Nous alternerons, dans la mesure du possible,
-- cours magistral,
-- exercices de mise en application ou d'approfondissement (ensemble ou à la
maison),
-- codage d'algorithmes (en Matlab).
Ce cours durera 52 heures (30 heures de cours + 22 heures de TDs) et peut
être validé pour 9 ECTS.
La note du cours sera déterminée à 40% par l'examen, 40% par un TP à rendre,
et 20% par les TDs à finir a la maison.
Notes de cours et déroulement
prévisionnel
Les cours auront lieu les vendredis matins, de 8h30 à 12h30, dans la Salle
R.
Le déroulement normal sera un cours magistral de 8h30 à 10h20, suivie d'une
pause d'environ 20 minutes, et d'un TD de 10h40 à 12h30. Apportez votre
portable pour le TD!
Pour utiliser Matlab sur votre portable: vous avez deux options dans
le DI:
- soit vous installez Matlab directement sur votre portable; pour cela,
envoyez un courriel à Jacques
Beigbeder du SPI pour les instructions et la licence; en précisant
l'OS de votre machine: Windows 32 bits, Windows 64 bits, Linux (64 bits
uniquement) ou MacOS (64 bits uniquement)
- soit vous utilisez Matlab à distance (par SSH) sur les ordinateurs du
DI (pour avoir accès à l'interface graphique vous pouvez utiliser FreeNX
qui est très rapide selon Jacques Beigbeder).
Last updated: September 5th, 2016.
