Premier Niveau

Travaux Pratiques

Deuxième Niveau

Organisation

Conditions Générales

Formulaire d'Inscription

PREMIER NIVEAU

L'APPRENTISSAGE STATISTIQUE :
POURQUOI, POUR QUOI, COMMENT ?

L'apprentissage statistique a connu un développement théorique et pratique fulgurant au cours des dernières années, car il permet de résoudre des problèmes face auxquels les techniques habituelles de modélisation sont impuissantes.

Ce cours s'adresse à des ingénieurs ou chercheurs concernés par des applications en modélisation de procédés, reconnaissance de formes (vision, parole), classification automatique, traitement du signal, bioinformatique, commande non linéaire, diagnostic, traitement du langage, etc..., et qui pensent avoir épuisé les solutions traditionnelles de modélisation et de traitement des données.

A l'issue de ce cours, le stagiaire connaît les bases de l'apprentissage artificiel, avec une attention particulière sur deux types de techniques : réseaux de neurones et machines à vecteurs supports (SVM). Il connaît également les principaux algorithmes d'apprentissage, les applications et performances typiques, ainsi que les stratégies envisageables pour développer une application pratique.


PRÉSENTATION GÉNÉRALE DE L'APPRENTISSAGE ARTIFICIEL.

• Qu'est-ce que l'apprentissage artificiel ?
  
  
• Les problèmes à résoudre pour réaliser une application efficace.
  
  
• Introduction aux réseaux de neurones et aux machines à vecteurs supports ; panorama de leurs applications.

RÉSEAUX DE NEURONES POUR LA MODÉLISATION STATIQUE.

• Réseaux de neurones et régression non linéaire.
  
  
• Apprentissage des réseaux de neurones statiques.
  
  
• Sélection des variables : méthodologie et illustrations pratiques.
  
  
• Estimation des performances d'un modèle et sélection de modèle : validation croisée, leave-one-out, leave-one-out virtuel, estimation d'intervalles de confiance.
  
  
• Sélection d'un modèle : exemples d'applications à des problèmes industriels.
  
  
• Modélisation semi-physique : comment utiliser les connaissances disponibles (physiques, chimiques, etc.) pour structurer un réseau de neurones ; exemples d'applications industrielles.

MACHINES À VECTEURS SUPPORTS ET RÉSEAUX DE NEURONES POUR LA CLASSIFICATION.

• Introduction à la classification : formule de Bayes, classifieurs bayesiens.
  
  
• L'algorithme du Perceptron et les machines à vecteurs supports linéaires.
  
  
• Machines à vecteurs supports non linéaires. L'astuce des noyaux.
  
  
• Estimation de la probabilité d'appartenance d'un objet à une classe par un réseau de neurones.
  
  
• Exemples industriels.

RÉSEAUX DE NEURONES POUR LA MODÉLISATION DYNAMIQUE ET LA COMMANDE.

• Définitions et présentation des domaines d'application (filtrage, commande).
  
  
• Règles d'apprentissage pour les réseaux de neurones de neurones dynamiques.
  
  
• Modèles postulés (déterministes ou probabilistes) et modèle prédictif associé.
  
  
• Estimation des paramètres d'un prédicteur neuronal.
  
  
• Apprentissage non adaptatif et adaptatif des réseaux de neurones bouclés.
  
  
• Exemple d'estimation des paramètres d'un modèle dynamique non linéaire.

PLANIFICATION D'EXPÉRIENCES

• La planification d'expériences : pour quoi faire ?

• Plans d'expériences pour modèles de connaissances et pour modèles neuronaux
  

COMMENT DÉMARRER ?

• Les stratégies possibles pour une entreprise désirant mettre en oeuvre des méthodes d'apprentissage artificiel.
  
  
• Études de cas, avec possibilité, pour les participants, d'exposer brièvement leurs préoccupations.

Intervenants

Retour en haut de page