INFORMATIQUE : Projet Big Data et Machine Learning 2

• Contribution au profil d'enseignement

• CONCEVOIR DES SYSTÈMES COMPLEXES

  Etablir une architecture/une structure /un schéma fonctionnel Simuler ou prototyper ces systèmes de façon adéquate Optimiser les solutions proposées au regard du cahier des charges

  METTRE EN ŒUVRE DES SYSTÈMES COMPLEXES

  S’assurer de la fiabilité de la réalisation Respecter le cahier des charges

  GÉRER UN PROJET AU SEIN D’UNE ÉQUIPE

  Créer une cohésion et une synergie entre les différents intervenants

• Acquis d'apprentissage spécifiques sanctionnés par l'évaluation

Etablir une architecture de modèle de machine learning qui soit cohérente avec le dataset sélectionné

Prototyper le modèle de machine learning et les algorithmes génétiques (incl. NEAT)

Optimiser, à l'aide des (méta)-paramètres, les différents modèles et algorithmes

S'assurer, à l'aide de test rigoureux (ex : cross validation) de la fiabilité et/ou la convergence des modèles

Respecter le cahier des charges qui est donné sous forme d'énoncé aux apprenants

Intervenir à part égale ou plus avec les autres apprenants du groupe dans la réalisation des projets

• Objectifs

• Algorithmes avancés de Machine Learning: Maîtrise des techniques d'exploration et d'analyse avancées des données dans un contexte de Machine Learning, en choisissant les techniques les plus adaptées et en s'adaptant aux contraintes réelles comme les données manquantes ou un nombre trop élevé de variables

   

  Projets d'optimisation distribuée: *Maitriser le concept d’algorithme génétique s’inscrivant dans le concept de Big Data car il permet de trouver une solution proche de l’optimal dans un espace d’état potentiellement infini.* Appliquer les techniques d’algorithmes génétiques afin d’implémenter l’algorithme NEAT sur un problème concret.

• Contenus

• Algorithmes avancés de Machine Learning:

  - Différence entre apprentissage supervisé, non supervisé (clustering) et semi-supervisé

  - Arbres de décision (classification, régression)

  - Bagging, boosting, extra-trees

  - Notions de Learning set, test set, validation set, cross-validation

  - Sur/sous-apprentissage

  - Pre/pruning, post/pruning

  - Algos de clustering (KNN, K-Means)

  - Problème de l'espace mal divisé ==> Machines à support vectoriel (SVM)

  - Multi-sets, préférence learning (utility function vs pairwise)

  - Situations adversairiales (MinMax, GANs)

  - Algos d'optimisation (méta-paramètres des modèles) : Greedy, RGS, recuit simulé.

  - Importance des variables et sélection

  - Deep Fakes

  - Problème du bouton d'arrêt, éthique

  - Réseaux de neurones à convolutions (CNN)

   

  Projets d'optimisation distribuée: 

  • Algorithmes génétiques : principe général et effet des méta-paramètres.
  • Réseaux de neurones partiellement connectés
  • Algorithme NEAT

• Méthodes d'enseignement et d'apprentissage

• Cours ex-cathedra
• Travaux de laboratoires

• Evaluation

• INFORMATIQUE : Projet Big Data et Machine Learning 2

  Examen Oral

• Langue(s) de l'unité d'enseignement

• Français
• Anglais

• Supports de cours au format papier

• Aucun support déposé pour cette unité d'enseignement

• Autres supports de cours

• Aucun autre support défini