Élaborer des machines numériques, des algorithmes, qui évoluent et apprennent à partir d’exemples est le but de la discipline de l’Apprentissage Artificiel. L’apprentissage supervisé en particulier s’intéresse à la question d’associer des mesures observées (par exemple des pixels d’une image, des mots dans un e-mail, des mesures de température) à une valeur discrète (l’image représente-t-elle un « 1 » ou un « 7 » ?, l’e-mail est-il un spam ?) ou continue (quelle sera la demande électrique ?), de façon à construire une fonction de prédiction qui généralise l’information obtenue à partir des données. On abordera ainsi les tâches de classification automatique supervisée, de régression et on fera une brève incursion dans le paysage de l’apprentissage non-supervisé, au travers des grandes familles d’algorithmes suivants :
- Apprentissage bayésien naïf
- Machines à Vecteurs Supports et méthodes à noyaux
- Processus Gaussiens
- Réseaux de Neurones
- Deep Learning
- Arbres de Décision
- Boosting, Bagging
- Forêts al ́eatoires.
[Mutualisé avec le cours « Algorithmes en apprentissage artificiel » de 3e année GI du Département Mathématiques, Informatique et Automatique de l’ISAE-Supaero]