Chargement...
 

Historique: Courses

Aperçu de cette version: 67

2011 - 2012

Departement Informatique, Université Paris-Sud

Master 1; Master 2 Stages

Ressources

Web sites



TC2

  1. Cours Introduction 3 octobre 2011
  2. Cours Réseaux Neuronaux 6 octobre 2011
  3. Cours Représentations 27 octobre
  4. Cours Optimisation: Partie I: Introduction et méthodes déterministes, 3 novembre
  5. Cours Optimisation: Partie II: Méthodes stochastiques, 3 novembre

Projets

Les projets 3 et 4 peuvent être pris par un binome.
  1. Projet 1 : Classification Réseaux Neuronaux
    1. Données MNIST; algorithme rétro-propagation du gradient.
    2. Etude de l'influence de l'initialisation des poids et du pas d'apprentissage
  2. Projet 2 : Auto-encodeur
    1. Donnees IMAGES
    2. voir http://www.stanford.edu/class/cs294a si besoin d'information pour ouvrir les donnees.
    3. Prendre des imagettes (8x8) tirees aleatoirement dans les images.
    4. Definir un NN avec 64 sorties, et l'entrainer pour que l'output soit egal à l'input (c'est ce qu'on appelle un auto-encodeur).
    5. Afficher pour chacun des neurones de la couche cachée l'imagette de norme 1 qui l'excite le plus (i.e. pour lequel la valeur est maximale).
  3. Projet 3 : Machine à Vecteurs Supports (linéaire et sans variables ressorts)
    1. Le principe : http://en.wikipedia.org/wiki/Support_vector_machine
    2. L'algorithme : libSVM http://www.csie.ntu.edu.tw/~cjlin/libsvm/
    3. Donnees: probleme URL sur la page http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/
  4. Projet 4 : Recursive Feature Elimination
    1. Donnees: ARCENE, http://www.nipsfsc.ecs.soton.ac.uk/datasets/
    2. Ajouter des features aleatoires
    3. Prendre des sous-ensembles de donnees de petite taille
    4. Sur chaque sous-ensemble, apprendre une hypothèse linéaire
    5. Définir l'importance d'un feature en fonction de son poids dans les différentes hypothèses linéaires
    6. Ordonner les features selon ce score d'importance
    7. Voir le nombre de features plus importantes que les features aléatoires.
  5. Projet 5 : Adaboost
    1. Données MNIST, classes 4 et 9
    2. Principe : http://en.wikipedia.org/wiki/AdaBoost
    3. Espace des hypotheses: choix d'un pixel; apprendre la valeur v telle que l'hypothese pixel > v est le meilleur classifieur (au sens de la distribution courante) utilisant ce pixel.

TP

  1. Matlab/Octave (introduction à Octave)
  2. Perceptron

  1. Licence Cachan 2012

2010 - 2011

Apprentissage Statistique et Optimisation, Statistical Learning and Optimisation

Courses

  1. Introduction: slides
  2. Bayes: slides
  3. Neurons: slides
  4. Non supervisé: slides
  5. Neurones, suite slides + representation: slides
  6. Markov: slides
  7. Markov suite + regression logistique slides
  8. Optimisation: slides (21 premiers slides traités en cours).

TP

  1. Matlab/Octave (introduction à Octave)
  2. multinomiales
  3. mélanges de multinomiales
  4. Markov
  5. regression logistique
  6. TP optimisation

Apprentissage Statistique et Optimisation, Statistical Learning and Optimisation, & Applications

Courses

  1. 1er cours, slides
  2. Intro to classification + boosting
  3. Support vector machines
  4. Bayesian estimation, Gaussian processes, Monte-Carlo Markov chains
  5. Apprentissage par renforcement (cours 7 et 8).

Annonces internes de stages


Annonces externes de stages


2009-2010


2011 Master

Module Apprentissage, Optimisation et Applications


2008-2009




Historique

Avancé
Information Version
mar. 08 de Nov, 2011 16h36 auger from 81.56.19.67 70
Afficher
ven. 04 de Nov, 2011 19h45 sebag from 129.175.5.230 69
Afficher
ven. 04 de Nov, 2011 19h44 sebag from 129.175.5.230 68
Afficher
ven. 04 de Nov, 2011 17h27 sebag from 129.175.72.197 67
Afficher
ven. 04 de Nov, 2011 16h48 sebag from 129.175.22.206 66
Afficher
ven. 04 de Nov, 2011 16h42 sebag from 129.175.22.206 65
Afficher
ven. 04 de Nov, 2011 16h21 sebag from 129.175.22.206 64
Afficher
jeu. 03 de Nov, 2011 08h56 auger from 129.175.72.228 63
Afficher
jeu. 03 de Nov, 2011 08h52 auger from 129.175.72.228 62
Afficher
jeu. 03 de Nov, 2011 08h50 auger from 129.175.72.228 61
Afficher