Annexe 4 : Fiches descriptives des UE (total : 53 fiches) - UPMC

Intitulé de l'Unité d'Enseignement |Modèles connexionnistes et
apprentissage |Code de l'UE | | |
|Descriptif de l'UE |
|Volumes horaires globaux (CM + TD + TP+ |14h CM + 16h TP |
|autre...) | |
|Nombre de crédits de l'UE |3 |
|Spécialité où l'UE est proposée |I3S / SAR |
|Semestre où l'enseignement est proposé |M2-S3 |
|Effectifs prévus (rentrée 2009) |50 |
| |
|Objectifs de l'Unité d'Enseignement |
| |
|Les modèles connexionnistes d'aujourd'hui proviennent de travaux de biologistes, de |
|physiciens, de mathématiciens, de psychologues et d'informaticiens depuis les années|
|50-60. Ils ont donné lieu à d'importantes avancée, tant dans les domaines des |
|neurosciences que dans celui de la conception de nouveaux ordinateurs. Ils ont |
|notamment permis l'essor de travaux théoriques sur les fondements de l'apprentissage|
|mais également l'élaboration de nouvelles méthodes de traitement de données et de |
|traitement de l'information. |
|Cet enseignement a pour objectif l'étude des principaux modèles connexionnistes, et |
|plus généralement des méthodologies d'apprentissage sous tendues. Les connaissance |
|abordées doivent permettre aux étudiants d'exploiter ces modèles pour les |
|applications de reconnaissance des formes (images et signaux 1D) ou encore de codage|
|et d'extraction de caractéristiques, enseignées par ailleurs dans la spécialité. |
|Contenu de l'Unité d'Enseignement |
| |
|Introduction à la problématique de l'apprentissage numérique. |
|Modèles connexionnistes mono et multi couches (Perceptron, Adalines, Perceptron |
|multicouches, rétropropagation). |
|Réseaux bouclés (modèles de Hopfield). |
|Problématique Modélisation / discrimination. Régression. |
|Introduction à l'apprentissage non supervisé, cartes auto-organisantes. |
|Généralisation, sur-apprentissage, régularisation, validation croisée |
|Introduction aux machines SVM. |
|Classifieurs faibles, techniques de Boosting. |
| |
|Pré-requis |
| |
|Pas de pré-requis hormis des notions de bases en mathématiques (espaces métriques, |
|calcul matriciel, minimisation de fonctions). |
| |
|Modalités de contrôle des Connaissances |
| |
|Examens répartis, TP |
| |
|Références bibliographiques |
| |
|Neural Networks for Pattern Recognition, C. Bishop, Clarendon Press - Oxford, 1995 |
| | |
|Organisation pédagogique |
|Enseignements présentiels |Volume horaire |Horaire |Effectif par |
| |total |hebdomadaire |groupe |
|Cours |14 |3 |45 |
|Enseignements dirigés | | | |
|Travaux pratiques | |16 |12 |
|Projet | | | |
|Autre | | | |
Course Title : Connectionnist models and machine learning Description of the course : a) Objective Connectionist models today come from the work of biologists, physicists,
mathematicians, psychologists and computer scientists from 50-60 years.
They have resulted in significant progress, both in the fields of
neuroscience than in the design of new computers. Connectionists have
created many sophisticated learning procedures for neural networks that are
commonly used today for data processing and information processing or
pattern recognition. This course is aimed at studying the main connectionist models, and more
generally the most used learning procedures for neural networks. The
knowledge acquired should enable students to use neural networks and
learning algorithms for applications in the field of pattern recognition
(1D signals and images) or for coding and feature extraction.
b) Content . Introduction to connexionist models of learning.
. Feedforward neural networks (Perceptron, Adalines, multilayer
perceptron, backpropagation).
. Recurrent network (Hopfield model).
. Discriminant and regression models.
. Introduction to reinforcement and unsupervised learning, Self-
organizing maps.
. Generalisation, overtraining, regularisation and cross-validation.
. Introduction to Support Vector Machines (SVM).
. Boosting algorithms.
c) Prerequisites
No prerequisites (elementary mathematics)