Cours d'apprentissage, Michèle Sebag, Benjamin Monmege

Page des TD/TP

Séance 1, 23 janvier 2013

• slides Introduction, les racines de l'apprentissage.

Séance 2, 6 février 2013

• slides Apprentissage supervisé - Arbres de décision - Validation

Séance 3, 13 févier 2013

• slides Validation

Séance 4, 20 févier 2013

• slides Réseaux neuronaux

Séance 5, 27 févier 2013

• slides Machines à vecteurs supports

Séance 6, 13 mars 2013

• Suite des réseaux neuronaux: deep neural networks

Séance 7, 20 mars 2013

• slides Fin des réseaux neuronaux; fin des machines à vecteurs supports.

Séance 8, 9 avril 2013

• slides Apprentissage d'ensemble, boosting et bagging

Séance 9, 17 avril 2013

• slides Apprentissage non supervisé. I. Changements de représentation

Séance 10, 24 avril 2013

• slides Apprentissage non supervisé. II. Clustering

Séance 11, 22 mai 2013

• slides Apprentissage par renforcement I.
• slides Apprentissage par renforcement II.

Séance 1

• 25 janvier. Intelligence artificielle et racines de l'apprentissage.
  • PartI.pdf PartII.pdf PartIII.pdf

Séance 2

• 1er février. Discussion autour de Perils and Promises of Big Data, 2010
• 2 février. Probas-stats
  • Slides : probastat.pdf
  • Feuille de TD : stats.pdf

Séance 3

• 8 février. Apprentissage supervisé. Le surapprentissage.
  • Cours_Cachan_2.pdf
  • Document_Hastie.pdf
• 9 février. Introduction à Matlab/Octave. Plus proches voisins
  • Prise en main intro_matlab.pdf
  • Plus proches voisins TP_plus_proches_voisins.pdf

Séance 4

• 15 février. PAC learning. Espace des versions; arbres de décision
  • Cours_Cachan_3.pdf
• 16 février. Suite et fin du TP Plus proches voisins.

Séance 5

• 29 février. Cours d'optimisation.
  • Notes de cours cours_optimisation.pdf
  • Slides tirés du livre Convex Optimization slides_optimisation.pdf
  • Slides sur les difficultés possibles (empruntés à Anne Auger) slides_difficultés.pdf
• 1er mars. TD Optimisation (correction exercices de cours). Arbres de décision.
  • Arbres de décision TP_arbre_decision.pdf
  • Pour charger le fichier des iris iris_loader.m

Séance 6

• 7 mars. Réseaux neuronaux
  • Slides Cours_Cachan_4.pdf
• 8 mars. Régression linéaire et polynomiale TP_reg_lin.pdf
• DM à rendre avant le 04 avril 2012 DM_PAC_Learning.pdf

Séance 7

• 14 mars. Suite des réseaux neuronaux
• 15 mars. Suite et fin du TP régression linéaire et polynomiale
  • Fonction pour calculer l'erreur : errorFunction.m
  • Fonction exécutant une descente de gradient : gradientDescent.m
  • Script pour tester la régression linéaire sur une droite bruitée : script.m

Séance 8

• 21 mars Apprentissage statistique et Machines à vecteurs supports
  • Slides COURS_21_fevrier.pdf

Séance 10

Séance 11

• 4 avril, Machines à vecteurs supports, deuxième partie
  • SlidesCours_Cachan_6.pdf

Séance 13

• 11 avril, Apprentissage d'ensembles (boosting, bagging)
  • Slides COURS_11_avril.pdf

Séance 14

Séance 15

• 9 mai, Représentation; sélection d'attributs, changements de représentation linéaire et non linéaires
  • Slides Cours_Cachan_8.pdf

Séance 16

• 10 mai, Clustering et Data Streaming
  • Slides Cours_Cachan_9.pdf

Séance 17

• 16 mai, Apprentissage par renforcement
  • Slides Cours_Cachan_10.pdf