Chargement...
Connexion
Nom d'utilisateur:
Mot de passe :
J'ai oublié mon mot de passe
Verouillage Maj. (CapsLock) est actif.
Mémorisez-moi (pour 1 mois)
Connexion
Find
Accueil
People
Publications
Activities
Séminaires
Job offers
Stages/Internships
PhD positions
Post-Docs
Engineers
Historique: Courses
Afficher la page
Collapse Into Edit Sessions
Aperçu de cette version: 66
«
»
2011 - 2012
Departement Informatique, Université Paris-Sud
Master 1
;
Master 2
Stages
Ressources
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/
TC2
Cours Introduction
3 octobre 2011
Cours Réseaux Neuronaux
6 octobre 2011
Cours Représentations
27 octobre
Cours Optimisation:
Partie I: Introduction et méthodes déterministes
, 3 novembre
Cours Optimisation:
Partie II: Méthodes stochastiques
, 3 novembre
Projets
Projet 1 : Classification Réseaux Neuronaux
Données MNIST; algorithme rétro-propagation du gradient.
Etude de l'influence de l'initialisation des poids et du pas d'apprentissage
Projet 2 : Auto-encodeur
Donnees
IMAGES
voir
http://www.stanford.edu/class/cs294a
si besoin d'information pour ouvrir les donnees.
Prendre des imagettes (8x8) tirees aleatoirement dans les images.
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).
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).
Projet 3 : Machine à Vecteurs Supports (linéaire et sans variables ressorts)
Le principe :
http://en.wikipedia.org/wiki/Support_vector_machine
L'algorithme : libSVM
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
Donnees: probleme URL sur la page
http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/
Projet 4 : Recursive Feature Elimination
Donnees: ARCENE,
http://www.nipsfsc.ecs.soton.ac.uk/datasets/
Ajouter des features aleatoires
Prendre des sous-ensembles de donnees de petite taille
Sur chaque sous-ensemble, apprendre une hypothèse linéaire
Définir l'importance d'un feature en fonction de son poids dans les différentes hypothèses linéaires
Ordonner les features selon ce score d'importance
Voir le nombre de features plus importantes que les features aléatoires.
Projet 5 : Adaboost
Données MNIST, classes 4 et 9
Principe :
http://en.wikipedia.org/wiki/AdaBoost
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.
Projet 6 : Estimation de distribution pour l'optimisation
TP
Matlab/Octave
(
introduction à Octave
)
Perceptron
Licence Cachan 2012
2010 - 2011
Apprentissage Statistique et Optimisation, Statistical Learning and Optimisation
Courses
Introduction:
slides
Bayes:
slides
Neurons:
slides
Non supervisé:
slides
Neurones, suite
slides
+ representation:
slides
Markov:
slides
Markov suite + regression logistique
slides
Optimisation:
slides
(21 premiers slides traités en cours).
TP
Matlab/Octave
(
introduction à Octave
)
multinomiales
mélanges de multinomiales
Markov
regression logistique
TP optimisation
Apprentissage Statistique et Optimisation, Statistical Learning and Optimisation, & Applications
Courses
1er cours, slides
Intro to classification + boosting
Support vector machines
Bayesian estimation, Gaussian processes, Monte-Carlo Markov chains
Apprentissage par renforcement
(cours 7 et 8).
Annonces internes de stages
Michele Sebag: les sujets 2010 vont arriver; les sujets de l'an dernier sont à
http://www.lri.fr/~sebag/Stages
Annonces externes de stages
Onera
2009-2010
Apprentissage et Fouille de Données,
Machine Learning and Data Mining
,
Michèle Sebag
&
Balázs Kégl
.
Evolution Artificielle et Robotique,
Evolutionary Computation and Robotics
, Marc Schoenauer, Anne Auger et Nicolas Bredèche.
2011 Master
Module Apprentissage, Optimisation et Applications
2008-2009
Apprentissage et Fouille de Données 2008,
Machine Learning and Data Mining
,
Michèle Sebag
,
Antoine Cornuéjols
et
Balázs Kégl
.
Historique
Activer la pagination
rows per page
diff HTML
Diff. côte à côte
Diff. côte à côte sur les caractères
Diff. entrelacée
Diff. entrelacée sur les caractères
Diff. côte à côte complet
Diff. côte à côte complète sur les caractères
Diff. entrelacée complète
Diff. entrelacée complète sur les caractères
Diff. entrelacé
Affichage côte à côte
diff HTML
Diff. côte à côte
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
Sélectionnez l'action à effectuer avec cochée...
Supprimer
OK
«
1
…
25
…
27
28
29
(en cours)
30
31
…
33
…
35
»