PLANNING_EDT M2R IAC 2014-2015.pdf
Rattrapages des modules:

1. un article vous est proposé.
2. Un résumé écrit (2 pages) vous est demandé
3. Vous faites un exposé de 15mn, suivi de 15mn de questions (y compris des questions de cours).

Oral ASO 2014 2 février 2015

Examens 2014

1. Examen Module 2 (Apprentissage et Optimisation) Exam_Opt2_2014.pdf
2. Examen Module 6 (Robotique et Agents Autonomes) Exam_OptRAA_2014.pdf

Wednesday, 9-12am, room 213, PUIO: Apprentissage Statistique, Optimisation & Applications

• Neural Nets
  • Cours_ASOA_NN_2014.pdf
• Deep Nets
  • http://www.iro.umontreal.ca/~bengioy/talks/icml2012-YB-tutorial.pdf
  • Cours_ASOA_Deep_2014.pdf
• Monte Carlo slides
  • Cours_Monte_Carlo.pdf
• Ensemble learning
  • revised,Cours_Ensemble_2015.pdf
• Optimization (by A. Auger)
  • As announced during the class, the optimization slides are available here: https://www.lri.fr/~auger/enseignement/

Rattrapage

• B. Imène
  • Online Streaming Feature Selection, Wu et al., ICML 2010.
• Asma Ben Amor
  • Boosting for Regression Transfer, Pardoe and Stone, ICML 2010
• F. Rodriguez
  • Deep networks for robust visual recognition, Tang and Eliasmith, ICML 2010

Friday, 9-12am, room 213, PUIO: Robotics and Autonomous Agents

• Introduction
  • Cours_RAA_Intro_2014.pdf
  • Video, Darpa 2005 challenge
• SLAM, Simultaneous Localization and Mapping, Emanuel Aldea
  • cours1-eleves-gs.pdf
  • cours2-eleves-gs.pdf
• Multi-armed Bandits, Odalric-Ambrym Maillard
  • Cours_Bandit.pdf
  • Cours_Bandit2.pdf
• Robotique et Neurosciences, Mehdi Khamassi
  • Slides ppt
  • Slides pdf
• Evolutionary Robotics
  • Slides

Rattrapage.

• Ouassim Lalaoui 13 mai
  • Why Does Unsupervised Pre-training Help Deep Learning? Erhan et al.
• Asma Ben Amor 13 mai
  • Interaction Primitives for Human-Robot Cooperation Tasks, Heni Ben Amor, Gerhard Neumann , Sanket Kamthe, Oliver Kroemer, Jan Peters
• Ines Bahram 21 mai

M2R: Apprentissage Statistique et Optimisation : Alexandre Allauzen, Anne Auger, Michele Sebag

1. Cours 1: Introduction, Arbres de décision, Validation
   1. Slides, révisés:main_revised.pdf
2. Cours SVM
   1. Slides Cours_SVM_14.pdf

Quelques liens

1. 13 janvier 2014 http://www.forbes.com/sites/85broads/2014/01/06/six-novel-machine-learning-applications/
2. 13 janvier 2014. http://passeurdesciences.blog.lemonde.fr/2014/01/12/teleportez-vos-bras-pour-manipuler-des-objets-a-distance/
3. 9 dec. 2013. http://perso-etis.ensea.fr/alexpitt/LaRobotiqueEtLeVivant_en.html

L2 Vie Artificielle : Alexandre Allauzen et Michele Sebag

M2R: Apprentissage Statistique et Optimisation : Alexandre Allauzen, Michele Sebag, Marc Schoenauer

M2R: Apprentissage Statistique & Optimisation Avancés: Michele Sebag, Anne Auger, Balazs Kégl

1. Cours 1: Neural Nets
   1. pdf, 4 dec. Orsay, 9h-12h.
2. Cours 2 et 3: Optimisation numérique par algorithmes stochastiques adaptatifs (Stratégies d'Evolutions, CMA-ES)
   1. Transparents de cours, 11 & 18 dec. 2013
3. Cours 4: Deep Learning
   1. Presentation Yoshua Bengio AAAI 2013
   2. Conference part 1
   3. Conference part 2
4. Cours 5: Boosting
   1. slides
   2. intro chapter
   3. multiclass (in Appendix)
   4. multiboost code
5. Cours 6: Multiclass, ensembles, calibration, model compression
   1. John Platt's original paper on model compression, Niculescu-Mizil&Caruana's paper on the same subject
   2. Rich Caruana's slides on model compression from ICML13 budgeted learning
6. Cours 7: Monte-Carlo Markov chains
   1. Rémi Bardenet's slides on MCMC from IN2P3's School of Statistics ( proceedings)
7. Cours 8: Apprentissage non supervisé
   1. pdf,

M2R: Robotique et agents autonomes: Michele Sebag et Jamal Atif

1. Cours 1: Introduction
   1. pdf, 6 dec. Orsay, 14h-17h.
2. Cours 2: Apprentissage par renforcement
   1. pdf, 13 dec. Orsay, 14h-17h.
3. Cours 8: Changement de représentations
   1. pdf, 7 dec. Orsay, 9h-12h.

M1 MPRI: Apprentissage Michele Sebag & Benoit Barbot

1. Cours 1, 16 sept. Paris, 16h-19h.
2. Cours 2, 30 sept.
3. Cours 3, 14 oct.
   • Complement bags of little bootstrap, Ariel Kleiner, Ameet Talwalkar, Purnamrita Sarkar and Michael I. Jordan
4. Cours 4, 28 oct.
5. Cours 5, 18 nov. Revisé 21 nov.
6. Cours 6: Deep Learning.
   1. Slides: Tutorial Yoshua Bengio, ICML 2012
7. Cours 7: Ensemble learning
   1. Cours 7, 13 jan.
8. Cours 8: Unsupervised learning
   1. Cours 8, 27 jan.
9. Cours 9: Changes of representation
   1. Cours 9, 10 fev.
10. Cours 10: Reinforcement learning
    1. Cours 10, 24 fev. 2014.

Tronc commun: Apprentissage Statistique et Optimisation

introductory course on machine learning and optimization. To get a first flavor of it: read the slides on decision trees & validation (first course) and on support vector machines (6th course).

Module Apprentissage Statistique, Optimisation et Applications - Option 2

follow-on: advanced course on machine learning and optimization

Module Robotique - Option 6

L3 ENS-Cachan, Cours d'apprentissage

Retour des étudiants, 2012-2013

Departement Informatique, Université Paris-Sud

Ressources

• General recommendations
• Conseils pour faire un exposé
• Recommendations for giving a talk
• Writing a paper: Tips

Web sites

• Andrew Ng: http://openclassroom.stanford.edu/MainFolder/VideoPage.php?course=MachineLearning
• A bit of algebra:
  • http://en.wikipedia.org/wiki/Matrix_theory
  • http://math.mit.edu/linearalgebra/

Cours 2011-2012

L3 ENS-Cachan, Cours d'apprentissage

Tronc commun Master 2R IAC, Information, Apprentissage, Cognition, TC2

Sondage des étudiants

Horaire de passage des projets

5 mars 2012. 10 mn d'exposé, 10 mn de questions. Envoyez l'horaire choisi à sebag at lri dot fr : premier arrivé premier servi.

1. 10h
2. 10h 20
3. 10h 40
4. 11h

...

Liste des cours

1. Cours Introduction 3 octobre 2011
2. Cours Réseaux Neuronaux {file name="Cours_IAC_TC2_2011_NN.pdf" desc="6 octobre 2011}
3. Cours Bayesien Naif transparents
4. Cours Apprentissage non supervisé transparents
5. Cours Modeles de Markov transparents 1, transparents 2
6. Cours Représentations 27 octobre
7. Cours Optimisation: Partie I: Introduction et méthodes déterministes, 3 novembre
8. Cours Optimisation: Partie II: Méthodes stochastiques, 3 novembre

Voir aussi http://www.limsi.fr/Individu/yvon/mysite/mysite.php?n=Site.ASO

Option 2: Apprentissage Statistique, Optimisation et Applications

1. Cours 30 nov. 2011
2. Document Metric Learning, slides K. Weinberger Weinberger.pdf
3. Cours du 7/14 Décembre 2011 - Optimisation par algorithmes stochastiques adaptatifs
4. Cours du 14 Décembre - Evaluation des performances
5. Cours 4 jan. 2012
6. Cours 11 jan. 2012
7. Cours 18 janvier 2012, Apprentissage par renforcement, Part I, Part II, Part III
8. Cours 3 février, Monte-Carlo Tree Search COURS_RL.pdf

Articles

• Latent Dirichlet Allocation
  • Analyses de textes : une mixture de concepts cachés.
  • http://www.lri.fr/~sebag/COURS/BleiNgJordan2003.pdf
• Feature selection, L1 vs. L2 regularization, and rotational invariance
  • Pour eviter le sur-apprentissage, on rajoute des termes de regularisation. Font-ils autre chose que de regulariser ?
  • http://ai.stanford.edu/~ang/papers/icml04-l1l2.pdf
• Error Limiting Reductions between