Introduction à l'apprentissage automatique

« Intelligence artificielle » (IA) est un terme omniprésent dans les médias, les discours politiques et marketing... et les offres d'emploi destinés aux ingénieurs. Cela tient aux succès rencontrés récemment par l'apprentissage automatique (machine learning), discipline scientifique qui permet à des ordinateurs d' « apprendre » à partir de données numériques. Dans ce cours, nous étudierons les fondements scientifiques et techniques de l'IA. L'objectif est de donner les clés pour comprendre ce qu'est l'apprentissage automatique, ses possibilités et ses limites, dans une perspective historique. De nombreux travaux pratiques permettront d'illustrer les différentes notions et de mettre en œuvre les principaux modèles  d'apprentissage.

A l’issue du module, les étudiants seront en mesure de 

• mettre en application les principaux modèles d’apprentissage sur des données réelles issues de différents domaines scientifiques et évaluer leurs performances;

• s’appuyer sur leur compréhension des fondements de la discipline pour identifier les limites pratiques;

• identifier les questions éthiques de l'IA.

Chaque séance (composée d'une heure en amphithéâtre et de deux heures de travaux dirigés en salle informatique) nécessite au préalable une heure de travail personnel: étude des corrections des TD de la séance précédente et lecture d'une vingtaine de pages du polycopié.

Quelques notions abordées:

• difficultés fondamentales de l'apprentissage: malédiction de la dimension et dilemmes biais-fluctuation et biais-variance

• partitionnement de données: classification hiérarchiques, k-moyennes

• classification supervisée et régression: régression logistique, machines à vecteurs supports, perceptron, réseaux de neurones artificiels, apprentissage profond, et les algorithmes d'apprentissage associés

Cours et travaux pratiques prendront la forme de carnets Jupyter et Python/scikit-learn (environnement utilisé en milieu professionnel).

Tout le matériel du cours (polycopiés, supports de présentation, sujets et corrections de travaux dirigé) est disponible sur la plateforme Arche de l'Université.

Un polycopié est distribué. Il est disponible librement à l'URL suivante: https://members.loria.fr/FSur/enseignement/apprauto/poly_apprauto_FSur.pdf

s'approprier le vocabulaire de l'apprentissage automatique et comprendre les enjeux et limites de l'intelligence artificielle

savoir interpréter les différentes métriques de performance des modèles

évaluer les performances des différents modèles