Cette UE propose un approfondissement des concepts de base utilisés en intelligence artificielle et apprentissage machine, avec un focus sur les paradigmes / algorithmes fondamentaux et un renforcement théorique et méthodologique.
Mots clés :
Apprentissage supervisé, non-supervisé, auto-supervisé ; processus markoviens, approches bayesiennes, approches fréquentistes, problèmes inverses, arbres de décision, forte aléatoire, apprentissage ensembliste (ensemble learning), machines à vecteurs de support (support vector machines), astuce du noyau (kernel trick), fonction de perte (loss function), méthodologies d'évaluation, biais, optimisation stochastique, approches gloutonnes.
Mots clés :
Apprentissage supervisé, non-supervisé, auto-supervisé ; processus markoviens, approches bayesiennes, approches fréquentistes, problèmes inverses, arbres de décision, forte aléatoire, apprentissage ensembliste (ensemble learning), machines à vecteurs de support (support vector machines), astuce du noyau (kernel trick), fonction de perte (loss function), méthodologies d'évaluation, biais, optimisation stochastique, approches gloutonnes.
- Enseignant: Daniel Racoceanu