Apprentissage statistique : modélisation descriptive et introduction aux réseaux de neurones

Présentation
Programme
Planification

Public Concerné

Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances de base sur l'analyse des données, la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi le cycle préparatoire de l'EICNAM ou avoir un niveau équivalent (licence).

L'avis des auditeurs

Les dernières réponses à l'enquête d'appréciation pour cet enseignement :

Présence et réussite aux examens

Pour l'année universitaire 2023-2024 :

  • Nombre d'inscrits : 159
  • Taux de présence à l'évaluation : 52%
  • Taux de réussite parmi les présents : 94%

Objectifs pédagogiques

Ce cours donne des éléments de base de l'analyse des données et de la modélisation descriptive, ainsi que des principes à mettre en oeuvre pour traiter des applications réelles. Une introduction à la modélisation décisionnelle avec des réseaux de neurones est également présentée. L'analyse des données et la modélisation descriptive aident à comprendre les données empiriques issues de phénomènes naturels, économiques ou socio-culturels. Cette compréhension facilite la mise en oeuvre de méthodes performantes de construction de modèles décisionnels.
Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que la santé, la climatologie, la sécurité, le marketing, la gestion de la relation client, etc.
L'enseignement adopte une approche pragmatique, les séances de travaux pratiques permettant la mise en oeuvre systématique des méthodes présentées.
Les unités d'enseignement RCP209 « Apprentissage statistique : modélisation décisionnelle et apprentissage profond », RCP211 « Intelligence artificielle avancée » et RCP217 « Intelligence artificielle pour des données multimédia » sont des suites recommandées de RCP208.

Capacité et compétences acquises

Analyser des données, mettre en oeuvre une modélisation descriptive, mettre en oeuvre un modèle décisionnel à base de réseaux de neurones multi-couches.

Contenu de la formation

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
  • Applications, nature des problèmes de modélisation et spécificités des données.
  • Analyse des données, réduction linéaire de dimension : méthodes factorielles.
  • Classification automatique : k-moyennes, DBSCAN.
  • Estimation de densités : noyaux, modèles de mélange.
  • Réduction non-linéaire de dimension : t-SNE, UMAP.
  • Imputation des données manquantes.
  • Sélection de variables.
  • Réseaux de neurones multi-couches : capacités d'approximation, descente de gradient, apprentissage et régularisation, représentations internes.
Chaque séance de cours est suivie d'une séance de TP permettant de mettre en oeuvre les méthodes présentées.
Les TP sont réalisés en utilisant principalement la plateforme Scikit-learn. Une introduction rapide au langage Python, à NumPy, à Matplotlib et à Scikit-learn est prévue lors des premières séances de TP.

Description des modalités de validation

Examen ; certaines questions peuvent porter sur les travaux pratiques.

En alternance ou en formation continue en journée :

Merci de consulter directement le secrétariat pédagogique de votre formation pour obtenir le planning.

En formation « à la carte Hors Temps de Travail », en présentiel, à distance ou hybride :

Voir les dates, les lieux d'enseignement et les modalités d'inscription sur les sites internet des centres régionaux qui proposent cette formation.

  • Paris
    • Centre Cnam Paris
      • 2026-2027 1er semestre: Formation en présentiel soir ou samedi
      • 2027-2028 1er semestre: Formation en présentiel soir ou samedi
    • Paris
      • 2026-2027 2nd semestre: Formation ouverte et à distance soir ou samedi
      • 2027-2028 2nd semestre: Formation ouverte et à distance soir ou samedi
Code : RCP208
6
crédits
Pensez VAE !