Cours IAA  :  Apprentissage Artificiel

Dernière mise à jour :  18-Nov-2003

Organisation du cours :

• Contrôle :
• Un projet (2 binomes par sujet. La coordination et le choix des groupes se font auprès de Brigitte Grau)
  •  Sujet 1 : Induction d'arbres de décision, élagage et boosting
  •  Sujet 2 : Apprentissage semi-supervisé. Applications à l'analyse de données cardiovasculaires
  •  Sujet 3 : Apprentissage par renforcement et robotique
  •  Sujet 4 : Etude d'un nouveau codage des données pour la classification
  •  Sujet 5 : Etude d'une méthode de sélection d'attributs pour l'analyse des puces à ADN
• Contrôle continu : 4 travaux à la maison notés  (coeff. 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" (A. Cornuéjols & L. Miclet. Eyrolles, 2002)

Programme prévisionnel :

Sources bibliographiques et url :

•  Cornuéjols A. & Miclet L. : Apprentissage artificiel : Concept et algorithmes. Eyrolles, 2002.
    (L'ouvrage de référence)

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

•  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, 2001.
   (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.

•  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)
  

•  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)