7914 - Apprentissage à partir d'exemples : Notes de cours

Description bibliographique

Auteur :

Denis, François (Université de Provence, Aix-Marseille 1. France) ; Gilleron, Rémi (Université Charles de Gaulle, Lille 3. UFR Mathématiques, Sciences économiques et sociales. France)

Éditeur :

Université Charles de Gaulle, Lille 3. GRAPPA. Groupe de recherche sur l'apprentissage automatique. France

Page source :

Les "polys du bureau" du GRAPPA, http://www.grappa.univ-lille3.fr/polys/

Langue :

français

Date de publication :

2000/06

Description du contenu

Spécialité :

Electronique, informatique et télécommunications - Applications informatiques spécifiques - Intelligence artificielle

Mots clés :

algorithme ; arbre de décision ; réseau de neurones ; perception ; classification supervisée ; erreur réelle ; réseau multi-couches ; règle de Bayes

Table des matières :

1 - Introduction
2 - Apprentissage à partir d'exemples : présentation de la problématique
2.1 - Approche probabiliste
2.2 - La classification supervisée
2.3 - Les méthodes de classification supervisée
2.4 - Estimer l'erreur réelle
2.5 - Résumons
3 - Apprentissage automatique : les arbres de décision
3.1 - Les arbres de décision
3.2 - Exemple introductif et préliminaires
3.3 - Généralités sur l'apprentissage des arbres de décision
3.4 - Un premier algorithme : CART (Breiman et al. [BFOS84])
3.5 - Un deuxième algorithme : C4.5 (Quinlan 93 [Qui93])
3.6 - Conclusion
4 - Apprentissage automatique : les réseaux de neurones
4.1 - Introduction
4.2 - Le Perceptron
4.3 - Les réseaux multi-couches
5 - Exercices
5.1 - Généralités et règles de Bayes
5.2 - Arbres de décision
5.3 - Estimation de l'erreur et élagage
5.4 - Réseaux de neurones
6 - Conclusion
7 - Références

Résumé :

Ce cours présente différentes techniques d'apprentissage à partir d'exemples. Plus précisément, il considère le problème de la classification supervisée : construire une procédure permettant de classer à partir d'une base d'exemples classés. Les algorithmes présentés sont utilisés pour l'extraction de connaissances à partir de données [GT00] et permettent d'extraire des informations de fichiers structurés pour l'aide au diagnostic et l'aide à la décision. Nous présentons les algorithmes d'apprentissage symboliques basés sur les arbres de décision et des algorithmes d'apprentissage adaptatifs pour les réseaux de neurones de type perception multicouches. (résumé d'auteur)

Informations pédagogiques

Niveau d'études :

2e cycle

Pré-requis :

Connaissance sur les algorithmes, les systèmes experts, les hypothèses probabilistes, les notions de proximité et les recherches dans des espaces d'hypothèses (arbres de décision, réseaux de neurones).

Objectifs pédagogiques :

Etre en mesure d'extraire des connaissances à partir de données et des informations à partir de fichiers structurés et ce, grâce aux algorithmes présentés pour une aide au diagnostic ou à la décision.

Accès à la ressource

Format :

HTML

URL de référence :

http://www.grappa.univ-lille3.fr/polys/apprentissage/index.html

Notice mise en ligne le 26/06/2005