Programme de l’Ecole Thématique de Printemps 2018 :
Vendredi 20 Avril 2018
Jérémie SUBLIME / Basarab MATEI
Pr. Associé à l’ISEP / Maitre de conférence à l'UP13
Pr. Associé à l’ISEP / Maitre de conférence à l'UP13
- Introduction à l'apprentissage supervisé
- Les notions de clusters et de similarité
- Les différents types de partition (dure, molle, floue)
- Exemples d'algorithmes de clustering
- DBSCAN
- Clustering hiérarchique Ascendant
- K-Moyennes
- EM pour modèle de mixture Gaussien
- Clustering spectral
- Problèmes ouverts en clustering
- Le choix de la mesure de similarité
- L'évaluation des résultats (introduction sur les indices internes et la stabilité)
- Le choix du nombre de clusters
- Le choix de l'algorithme de clustering
Samedi 21 Avril 2018
Younès BENNANI Professeur à l’Université Paris 13
- Le « Deep Learning »
- Qu'est-ce que c'est ?
- Pourquoi en parle-t-on autant aujourd'hui ?
- Et demain ?
- Éléments de base : le neurone, architectures, paramètres
- Critères et algorithmes d'apprentissage
- Perceptron et Adaline
- Perceptron Multi-Couches (PMC)
- Critères d’apprentissage
- Rétro-propagation du gradient
- Codage des entrées et des sorties
- Initialisation des poids
Guénael CABANES / Nistor GROZAVU
Maître de Conférences à l’UP13
Maître de Conférences à l’UP13
- Introduction à l’apprentissage topologique
- Cartes auto-organisatrices (SOM)
- Clustering & Visualisation
- Apprentissage Topologique Pondéré
- Cartes Topologiques Génératives (GTM)
- Notions générales & comparaison avec SOM
- GTM et ses variantes
- Cartes Topologiques Relationnelles (RTM)
- Applications
Dimanche 22 Avril 2018
Nicoleta ROGOVSCHI Maître de Conférences à l’UP5
- Introduction
- Méthodes de visualisation des données et domaines d’applications
- Classification non supervisée en grande dimension
- Techniques de réduction des dimensions (sélection vs extraction)
- Méthodes linéaires pour la réduction des dimensions
- Analyse en Composantes Principales (ACP)
- Analyse Discriminante Linéaire (ADL)
- Multi-Dimensional Scaling (MDS)
- Méthodes non-linéaires pour la réduction des dimensions
- Isometric feature mapping (Isomap)
- Locally Linear Embedding (LLE)
- Self-Organizing Map (SOM)
Younès BENNANI Professeur à l’Université Paris 13
- Liens avec les statistiques exploratoires
- Problème de la généralisation
- Architectures structurées et à convolution
- Réseaux de Neurones Profonds
- Restricted Boltzmann machine
- Deep Boltzmann Machine
- Applications