Apprentissage Numérique

Objectifs

Les méthodes d’apprentissage numérique permettent de synthétiser au sein d’un modèle des informations provenant de mesures. Plusieurs approches co-existent (apprentissage supervisé, apprentissage non supervisé, apprentissage par renforcement) et seront abordées à travers un ensemble de méthodes performantes.

Prérequis

M1 d’un Master Informatique ou niveau équivalent.

Contenu pédagogique de l’UE

Théorie de l’apprentissage

Apprentissage à partir d’exemples

  • Apprentissages supervisés : modèles décisionnels (perceptron multi-couches et séparateurs à vaste marge) ;
  • Apprentissages non supervisés : modèles de classification (K-means, cartes auto-organisatrices de Kohonen).

Apprentissages en environnement incertain

  • Apprentissage de modèles : modèles stochastiques (réseaux bayésiens, chaine de markov cachée) ;
  • Apprentissage par renforcement : contrôle de systèmes dynamiques dans l’incertain (Processus de décision markovien).