Intitulé UE
(Enseignant responsable)
Contenu de l’UE
(5 lignes maximum)
Compétences visées
(5 lignes maximum)
2 UE d’approfondissement au choix parmi la liste ci-dessous
Aide à la décision
(Y. Chevaleyre)
Modélisation monocritère : gestion de production et de planification ;
problèmes de localisation ; ordonnancement. Programmation multiobjectif :
modélisation des préférences ; contruction de famillles de critères ;
optimisation combinatoire multicritère ; méthodes d'aide multicritère à la
décision.
Initiation aux techniques
d’optimisation multi-critère.
Apprentissage connexionniste
(Y. Bennani)
Eléments de base, le neurone, architectures, paramètres, Critères et
algorithmes d'apprentissage, MLP, TDNN, RNN, RBF, LVQ, SOM, ART, Liens avec
les statistiques, Mesures de performance, Sélection de modèles, Heuristiques
pour la généralisation, régularisation structurelle, régularisation explicite et
pénalisation.
Acquérir les fondements
théoriques et algorithmiques des
techniques d’apprentissage à
base de réseaux de neurones
artificiels
Apprentissage statistique
(S. Li Thiao Té)
Classification et régression. Minimisation du risque empirique (ERM),
Consistance de l'approche ERM, Dimension VC, Minimisation du risque
structurel (SRM), Machines à Vecteurs de Support (SVM), hyperplan séparateur
optimal, cas non séparable, SVM multi-classes, Arbres de décision, Modèles
stochastiques, modèles de Markov cachés (HMM).
Acquérir les fondements
théoriques et algorithmiques des
techniques d’apprentissage
statistique.
Apprentissage symbolique
(C. Rouveirol)
Recherche heuristique dans un espace d’hypothèses partiellement ordonné.
Approches Diviser pour régner, spécialisation, généralisation. Apprentissage en
ligne et par ensemble. Modèles d'apprentissage en ligne, mistake-bound et par
requêtes, apprentissage PAC.Programmation logique inductive. Fouille de
motifs fréquents/clos, treillis de Galois.
Acquérir les fondements
théoriques et algorithmiques des
techniques de l’apprentissage
symbolique (à base de
représentations logiques)
1 UE complémentaire au choix parmi la liste ci-dessous
Analyse des réseaux sociaux
(R. Kanawati)
Introduction aux grands graphes de terrain : caractéristiques, modèles
génératifs et applications. Problématique d’analyse de grands graphes
dynamiques : Classements des nœuds, caractérisation et identification des
communautés, ! Approches topologiques pour la prévision de liens. Algorithmes
de visualisation de grands graphes.
Acquérir les fondements
nécessaires à la modélisation et
l’analyse de grands réseaux
d’interaction. Se confronter à la
problématique de traitement des
très grandes masses de données
relationnelles.
Fouille de données visuelles
(B. Matei)
Acquisition et restitution de données visuelles, Méthodes de base du
traitement de données visuelles statiques : échantillonnage, quantification,
transformations de Fourier et en ondelettes, filtrage et prétraitement,
Restauration et rehaussement, Réduction du bruit, compression, compactage,
Extraction de contour, Reconnaissance d'objets, Indexation et recherche par le
contenu.
Acquérir un aperçu de ce qu´est
le traitement des données
visuelles, plus précisément la
compression.