UE Apprentissage statistique et réseau de neurones

• Phénomène de sur-apprentissage, et techniques classiques de lutte contre le sur-apprentissage
• Technique de régression et réseaux de neurones
• Éléments mathématiques des réseaux de neurones :
  • Couches denses, fonctions d’activation
  • Couches de convolution
• Méthodes d’optimisation pour l’apprentissage

• Décrire et spécifier un modèle de machine learning en utilisant les fondements mathématiques de l’apprentissage
• Comprendre le fonctionnement d’un réseau de neurones
• Formaliser des méthodologies d’apprentissage classiques (régression linéaire, logistique, etc.) sous la forme de réseaux de neurones
• Construire un modèle d’apprentissage avec les librairies Python telles que Keras, TensorFlow ou Pytorch adapté à la problématique à traiter, l’ajuster et l’améliorer
• Appliquer des méthodes d’apprentissage par réseaux de neurones sur des jeux de données volumineux mis à disposition sur des sites tels que Kaggle.

Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, ed. O’Reilley, 2019