The printable version is no longer supported and may have rendering errors. Please update your browser bookmarks and please use the default browser print function instead.
| Titre
|
Classifieurs "Machine Learning" niveau-1
|
| Sigle
|
MLEA1
|
| Enseignant
|
Reda Dehak
|
| Période
|
S4, Ing2
|
| Public
|
Majeure, SCIA, RDI
|
| Contrôle
|
|
| Durée
|
|
| Optionnel
|
non
|
| Module
|
Informatique Fondamentale
|
| Prérequis
|
ANDO
|
| Objectifs
|
Présentation des outils de classification les plus populaires et des méthodes permettant d’évaluer leurs performances. Développement des capacités à lire des articles de Machine Learning avec un esprit critique par la réalisation d’un projet.
|
| Plan
|
- Introduction* Théorie de la décision bayésienne* Méthodes d'évaluation des classifieurs* Réduction de Dimension (Analyse en Composantes Principales, Analyse Discriminante Linéaire (Analyse de Fischer))* Arbre de décision
|
| Documentation
|
- Neural Networks : A Comprehensive Foundation (Simon Haykin) : 3rd Edition, Prentice Hall
- Pattern Classification (Duda, Hart, Stock) : 2nd Edition, Wiley-Interscience
- Localized Support Vector Machine and its efficient Algorithm (Cheng: 2007)
- Weighted K-Nearest-Neighbor Techniques and Ordinal Classification (Hechenbichler, Schliep: 2004)
- SVM-KNN: Discriminative nearest neighbour classification for visual category recognition (Zhang et al): CVPR 2006
- A study of cross-validation and bootstrap for accuracy estimation and model selection (Kohavi: 1995)
|
| Support
|
|
| Journaux
|
|
