Apprentissage Statistique
Master DAC - Université Paris 6
P. Gallinari, patrick.gallinari@lip6.fr, http://www-connex.lip6.fr/~gallinar/
Année 2014-2015

Plan du cours
Introduction






Apprentissage à partir d’exemples
Exemple introductif : le perceptron

Formalisation du problème d’apprentissage
Apprentissage supervisé







Réseaux de neurones
Machines à noyaux, machines à vecteurs de support

Réseaux de neurones profonds et apprentissage de représentations
Réseaux récurrents
Apprentissage non supervisé









Algorithme EM et mélange de densités
Clustering spectral
Factorisation matricielle

Quelques liens utiles


2

Apprentissage Statistique

-

P. Gallinari

Introduction

Apprentissage à partir d'exemples
3 ingrédients de base







Données {z1, ..., zN}
Machine Fθ
Critère C (apprentissage et évaluation)

But
 Extraire de l'information à partir des données





Information pertinente



pour la tâche étudiée pour d'autres données du même type

Utilisation
 Inférence sur de nouvelles données
Type d'apprentissage :
 Supervisé
 Non supervisé
 Semi supervisé
 Renforcement




4

Apprentissage Statistique

-

P. Gallinari

Exemples - problèmes d'apprentissage
Parole / Ecriture
 Données : (signal, (transcription))
 But : reconnaître signal
 Critère : # mots correctement reconnus
Conduite véhicule autonome
 Données : (images routes, (commande volant)) e.g. S. Thrun Darpa Challenge +
Google car
 But : suivre route
 Critère : distance parcourue
Recherche d'information textuelle
 Données : (texte + requête, (information pertinente)) – corpus d’apprentissage
 But : extraire l'information correspondant à la requête
 Critère : Rappel / Précision
Diagnostic dans systèmes complexes
 Données : (état capteurs + alarmes, (diagnostic))
 But : diagnostic correct
 Critère : ?









5

Apprentissage Statistique

-

P. Gallinari

Exemples - problèmes d'apprentissage
Modélisation d'utilisateur
 Données : (Traces