Chargement...
 

Historique: Apprentissage et Fouille de Données 2008

Aperçu de cette version: 23

Module Apprentissage et Fouille de Données

Michèle Sebag, Balázs Kégl, Antoine Cornuéjols


  1. 1/10/08 (MS) Introduction, arbres de décision, (illustration sur Skicat et Darpa Challenge 2005).
  2. 8/10/08 (BK) Boosting (illustration sur les caractères manuscrits), classification.
  3. 15/10/08 (BK) Boosting (suite), réseaux de neurones
  4. 22/10/08 (BK) Filtrage collaboratif (challenge Netflix); régression et ranking
  5. 29/10/08 (MS) Représentation, sélection d'attributs et réduction de dimensionalité, application aux systèmes computationels autonomes (Autonomic Computing).
  6. 5/11/08 (AC) Généralités sur l'apprentissage inductif supervisé. Transition de phase. Apprentissage actif.
  7. 12/11/08 (AC) Apprentissage en-ligne. Apprentissage par renforcement (Transparents, Chapitre).
  8. 19/11/08 (MS) Apprentissage non supervisé et data streaming; application à l'autonomic computing.
  9. 26/11/09 vacances
  10. 3/12/09 exam ecrit questions de cours. Voir pour un exemple : texte de l'examen de 2005. (NB: la partie 3 n'est plus au programme du module).
  11. Semaine Vendredi 19 /12/09, matin et apres-midi : exposé d'article ou de projet.



Projets

  • Classification de points ds les textes (point de fin de phrase vs point d'abbréviation) (BK)
    • A confirmer.
  • Large Scale Learning: strategies naives de selection des vecteurs supports. (MS)
    • Données Challenges
  • Bases de données visage (AC et BK)
  • Collaborative filtering (BK)
    • Netflix + base données semi-privées LastFM.
  • Logs robotique, réduction de dimensionalité (MS).
    • Données : contacter MS.
    • Algorithme : Information bottleneck et/ou deep learning.
  • Active learning: identification de pages de cours en Computer Science (AC, BK et MS).
    • Constitution de training (donner chacun trois exemples positifs). Interet, etudiant peut etre l'expert.
    • Algorithme Filterboost décrit ds Nips 2007, Schapire et al. (code décrit ds l'article; réputé efficace).
  • Apprentissage par renforcement (AC)
    • Deplacement d'un robot dans un monde 2D.
    • Illustration des difficultés de passage à l'echelle et résolution du pb de généralisation.
    • Projet guidé par AC. Demande forte motivation pour l'apprentissage par renforcement.
  • Apprentissage de séries temporelles (MS + AC)
    • Algorithme: Echo State Network
    • Reproduire l'expérience ds le XX.

Articles.


les cours de l'an dernier.


Articles à exposer (10 minutes) pour les volontaires



Historique

Avancé
Information Version
mer. 19 de Nov, 2008 01h29 sebag from 129.175.15.11 29
Afficher
mar. 18 de Nov, 2008 23h06 sebag from 129.175.15.11 28
Afficher
mar. 18 de Nov, 2008 23h04 sebag from 129.175.15.11 27
Afficher
mar. 18 de Nov, 2008 23h02 sebag from 129.175.15.11 26
Afficher
lun. 17 de Nov, 2008 12h54 sebag from 129.175.15.11 25
Afficher
lun. 17 de Nov, 2008 12h50 sebag from 129.175.15.11 24
Afficher
ven. 14 de Nov, 2008 10h18 sebag from 129.175.15.11 23
Afficher
ven. 14 de Nov, 2008 10h16 sebag from 129.175.15.11 22
Afficher
mar. 11 de Nov, 2008 12h20 antoine from 129.175.15.11 21
Afficher
mar. 11 de Nov, 2008 12h12 antoine from 129.175.15.11 20
Afficher