CentreCnamParis Reconnaissance des formes et méthodes neuronales PRÉSENTATION Public et conditions d'accès Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances de base sur l'analyse des données, la reconnaissance des formes et la fouille de données (data mining). Prérequis obligatoires : avoir suivi le cycle préparatoire de l'EICNAM ou avoir un niveau équivalent (licence). Objectifs pédagogiques Ce cours donne des éléments de base de l'analyse des données et de la reconnaissance des formes, ainsi que des principes fondamentaux à mettre en œuvre pour traiter des applications réelles. L'analyse des données et la reconnaissance des formes aident à comprendre des phénomènes naturels, économiques ou socio-culturels à partir des données empiriques et permettent de construire des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, les enquêtes d'opinion, le marketing, la gestion de la relation client, la climatologie, la sécurité environnementale, etc. L'enseignement adopte une approche pragmatique, avec une mise en œuvre systématique des méthodes présentées. L'unité d'enseignement RCP209 " Apprentissage, réseaux de neurones et modèles graphiques " est une suite recommandée de RCP208. Compétences visées Analyse des données, fouille de données dans les sciences de l'environnement et les sciences de l'ingénieur. Mots-clés Analyse factorielle Algorithme d'apprentissage Modélisation quantitative Modélisation statistique Aide à la décision PROGRAMME Contenu Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont : Applications, nature des problèmes de modélisation et spécificités des données. Analyse des données, réduction de dimension : méthodes factorielles. Classification automatique. Estimation de densités. Page 1 Imputation des données manquantes. Cartes de Kohonen. Perceptrons multi-couches pour le classement et la régression. Chaque séance de cours est suivie d'une séance de TP permettant de mettre en œuvre les méthodes présentées. Les TP sont réalisés en utilisant la plateforme Scikit-learn. Une introduction au langage Python et à Scikit-learn est prévue lors des premières séances de TP. Modalité d'évaluation Examen. Les compte-rendus de TP seront notés et pris en compte dans l'évaluation. Bibliographie A. Belaid, Y. Belaid : Reconnaissance des formes : méthodes et applications. Ed. Inter Editions. G. Dreyfus, et al : Réseaux de neurones : méthodologies et applications. Ed. Eyrolles. M. Crucianu, J.-P. Asselin de Beauville, R. Boné : Méthodes factorielles pour l'analyse des données : méthodes linéaires et extensions non-linéaires. Ed. Hermès. G. Saporta : Probabilités, analyse des données et statistique. Ed. TECHNIP. D.J. Hand, H. Mannila, P. Smyth : Principles of Data Mining (Adaptive Computation and Machine Learning). Ed. Bradford Book. PARCOURS Cette UE apparaît dans les diplômes et certificats suivants Stage : Certains stages ont un double code, leur code propre et le code de l’UE ou du certificat équivalent. Dans tous les cas, veillez à ne pas insérer d'espace ni de ponctuation supplémentaire. Type(s) de formation Diplôme/certificat Type(s) de diplômes Diplôme d'ingénieur Diplôme national (LMD-DUT-diplôme d'Etat) RNCP - Titre professionnel Certificat d'établissement Diplôme d'établissement Niveau d'entrée Niveau I (bac+5 et plus) Niveau II (bac+3 bac+4) Niveau III (bac+2) Page 2 Niveau IV (bac) Niveau V Sans niveau spécifique Bac Bac +1 Bac +2 Bac +3 Bac +4 Bac +5 Sans niveau spécifique Alternance Stage UE Présentiel Enseignement totalement à distance Enseignement partiellement à distance Annuelle 1er semestre 2nd semestre RECHERCHER PAR CODE OK Chargement du résultat... Type Intitulé Equipe pédagogique Lieu / Modalités Type Intitulé Equipe pédagogique Lieu / Modalités Code Enseignée en formation présentielle ou partiellement à distance : Code Type Intitulé Equipe pédagogique Lieu / Modalités Enseignée en formation présentielle ou partiellement à distance : Code Page 3 Type Intitulé Equipe pédagogique Lieu / Modalités Code INFORMATIONS PRATIQUES Contact Recherche opérationnelle 2D4P20, 33-1-10, 2 rue Conté 75003 Paris Tel :01 40 27 22 67 [email protected] Voir les sites deptinfo.cnam.fr/new/spip.php?rubrique261 Voir les dates et horaires, les lieux d'enseignement et les modes d'inscription sur les sites internet des centres régionaux qui proposent cette formation UE Paris Paris 2016-2017 1er semestre : Présentiel 2016-2017 2nd semestre : Fod accessible nationalement 2017-2018 1er semestre : Présentiel 2017-2018 2nd semestre : Fod accessible nationalement 2018-2019 1er semestre : Présentiel 2018-2019 2nd semestre : Fod accessible nationalement Comment est organisée cette formation à distance ? Code UE : RCP208 Cours 6 crédits Responsable national M. Michel CRUCIANU Responsable opérationnel M. Michel CRUCIANU La FOAD L'inscription en FOAD Quelques conseils Comment démarrer ? Page 4 Comment se connecter à l'espace numérique de formation? Accès à l'espace numérique de formation En cas de problème, contactez [email protected] http://www.cnam-paris.fr/choisir-ma-formation/catalogue-de-la-foad/reconnaissance-des-formes-et-methodes-neuronales-208 Page 5