Techniques avancées d’apprentissage


Objectif

Le paradigme de la Minimisation du Risque Empirique et le principe de l’inférence par approximation stochastique, concepts fondamentaux de la théorie probabiliste de l’apprentissage statistique sur lequel reposent de nombreux algorithmes de classification/régression tels que les Réseaux de Neurones, les Support Vector Machines ou les techniques de type Boosting, peuvent être adapté de façon à aborder des problèmes plus complexes, supervisés ou non, liés à l’analyse de données massives et motivés par des applications récentes telles que le design des moteurs de recherche/collaboration, la détection automatique d’anomalies ou encore l’analyse des réseaux sociaux. L’objectif de ce cours est de vous faire découvrir les approches algorithmiques (e.g. Approches incrémentales, « pairwise », factorisation de matrices, approches spectrales) et les notions théoriques afférentes pour aborder ce type de problèmes, à travers plusieurs exemples.

Plan

Ranking, recommandation
Metric-learning
Graph-mining
Apprentissage semi-supervisé

Références