Ce module dresse un panorama de l’apprentissage statistique aujourd’hui. Il aborde successivement les grandes problématiques du domaine et en présente les avancées majeures des dix dernières années, en les illustrant sur des grands champs applicatifs : traitement de données textuelles et multimédia, extraction d’information à partir de données collaboratives (médias sociaux), etc. Le cours aborde successivement:
- Théorie de l’apprentissage statistique, capacité de généralisation, dilemme biais-variance, etc
- Apprentissage Supervisé : Classification, Réseaux de Neurones et Deep Learning, Machines à vecteurs de support, Méthodes à noyaux, Ranking, Problématique du passage à l’échelle
- Apprentissage non supervisé : Partitionnement, Modèles à variables latentes
- Autre paradigmes d’apprentissage : Apprentissage par renforcement, Apprentissage faiblement supervisé, Apprentissage semi-supervisé et transductif, Apprentissage actif, Transfer Learning
- Méthodes d’ensembles: bagging, boosting, etc
- Apprentissage et données structurées : Séquences et arbres, Graphes et données inter-dépendantes