Auto-apprentissage et intelligence artificielle - machine learning

Auto-apprentissage et intelligence artificielle - machine learning

Image d'illustration : tableau avec des formules mathématiques

Formation courte en mathématiques 

En pratique

Libellé réglementaire
Machine learning
Type de diplôme
Formation courte
Niveau de sortie
Sans objet
Modalités pédagogiques
Présentiel
Langue de la formation
Français
Localisation(s) des enseignements
Rennes

Présentation

Publics

Cette formation courte s'adresse :

  • aux chercheurs, ingénieurs dans les entreprises et les laboratoires de recherches scientifiques.
  • aux demandeurs d’emploi dans le même secteur.

Compétences développées

Avoir un aperçu des méthodes usuelles du machine learning et comprendre leurs principaux ingrédients.
Savoir choisir une méthode (supervisée / non supervisée) et la mettre en œuvre.

Les plus de la formation

  • 12 modules de 1h30 composés d’un cours magistral et d’une séance pratique.
  • Support de cours en anglais.
  • Illustration de données environnementales et biologiques.

Partenaires de la formation

Formation dispensée par l'agence LEBESGUE de mathématiques pour l'innovation.

Organisation pédagogique

12 modules de 1h30 (sur 3 jours) composés d’un cours magistral et d’une séance pratique.
Support de cours en anglais.
Illustration de données environnementales et biologiques.

La formation se déroulera sur le campus de Beaulieu, à Rennes.

Programme :

  • Réduction de dimension : ACP, MDS, Isomap, t-SNE.
  • Apprentissage non supervisé : kmeans, mélange gaussien.
  • Modèles linéaires :
    - fonction de coût, estimation, validation ;
    over fitting, sélection de variables.
  • Modèle data-driven : plus proches voisins, arbres de décision.
  • Agrégation de modèles :
    bagging et forêts aléatoires ;
    boosting et gradient boosting.
  • Réseaux de neurones : perceptrons multicouches, optimisation, over-fitting.
  • Deep learning : auto-encodeurs et réseaux de convolution.
  • Apprentissage par renforcement.

Responsable(s) pédagogique(s)

Valérie MONBET

Contact(s)

Florence MORFOISSE
Chargée de mission
florence.morfoisse [at] univ-rennes1.fr
Anne-Laure FUSELIER
Assistante de formation
anne.fuselier-lemoine [at] univ-rennes1.fr

Pré-requis

  • Probabilité : notion de variable aléatoire, espérance, variance, espérance conditionnelle.
  • Statistique : notion d’estimation, loi des grands nombres, erreur en moyenne quadratique.
  • Optimisation : optimisation quadratique, méthodes de descente de gradient.
Dernière modification : ven, 19/06/2020 - 14:28