Cours INT-22  :  Apprentissage Artificiel

Dernière mise à jour :  10-Jui-2011

Organisation du cours :

• Contrôle :
• Un petit projet (en binômes. Lancé le 29/04 pour le 27/05) (coeff. 1/2)
• Contrôle continu : 2 travaux à la maison notés  (coeff. 1/2)
  
  
• Documents :
  • Un polycopié distribué avec des copies des transparents du cours (également accessibles et actualisés sur les liens ci-dessous)
  • Le livre (pour ceux qui sont intéressés) "Apprentissage artificiel. Concepts et algorithmes (2° éd.)" (A. Cornuéjols & L. Miclet. Eyrolles, 2010)

Programme prévisionnel :

Sources bibliographiques et url :

•  Cornuéjols A. & Miclet L. : Apprentissage artificiel : Concept et algorithmes (2° éd.). Eyrolles, 2010.
    (L'ouvrage de référence)

•  Mitchell T. : Machine Learning. McGraw Hill, 1997.
    (Un bon livre d'introduction qui commence à dater)

•  Cherkassky V. & Mulier F. : Learning from data. Concepts, theory and methods. Wiley Interscience, 1998.
    (Livre moins classique dans son organisation mais très intéressant)

•  Haykin S. : Neural netwoks. A comprehensive foundation. Prentice Hall, 1999.
   (Une somme incroyable)

•  Duda, Hart & Stork : Pattern classification (2nd éd.). Wiley-Interscience, 2001.
   (Orienté sur la reconnaissance de formes. Des graphiques exemplaires. Une référence)

•  Hastie, Tibshirani & Friedman : The elements of statistical learning. Data mining, inference and prediction. Springer, 2009 (2nd Ed.).
   (Un peu difficile, mais très informatif. Une typographie exemplaire. Un livre technique en couleurs !)

•  Cristianini N. & Shawe-Taylor J. : Support Vectors Machines and other kernel-based learning methods. Cambridge University Press, 2000.

•  Shawe-Taylor J.& Cristianini N. : Kernel Methods for Pattern Analysis. Cambridge University Press, 2004.

•  Bishop C. : Neural networks for pattern recognition. Clarendon Press, 1995.
   (Un bon livre d'introduction. Orienté vers les réseaux de neurones, mais discute des problèmes importants en apprentissage artificiel)

•  Bishop C. : Pattern Recognition and Machine Learning. Springer, 2006.
   (Excellent. Prend entièrement le point de vue bayésien.)
  

•  Webb A. : Statistical pattern recognition. Arnold, 1999.
   (Un livre d'introduction simple et de bon aloi. Injustement trop peu mentionné)
  

•  http://www.support-vector.net
    (Un point d'entrée sur les machines à vecteurs de support)

•  http://www.ai.univie.ac.at/oefai/ml/ml-resources.html
    (Un site recensant de très nombreuses ressources en Apprentissage Artificiel)
  

•  A Comparison of Prediction Accuracy, Complexity, and Training Time of Thirty-Three Old and New Classification Algorithms (Machine Learning Journal, 2000)