Composante
École Nationale Supérieure d'Électrotechnique d'Électronique d'Informatique d'Hydraulique et des Télécommunications
Objectifs
Ce cours a pour objectifs :
· d'introduire le concept d'apprentissage non-supervisé, les différents objectifs qui motivent cette approche dans la plupart des applications ;
· d'introduire certaines techniques classiques d'apprentissage non-supervisé, leur motivation, leur interprétation, leurs avantages et inconvénients ;
· d'introduire des techniques plus modernes reposant sur les modèles d'apprentissage profond, notamment pour la génération de données.
Description
Le cours comprend 6 séances de cours magirstraux où sont exposé plusieurs techniques d’apprentissage non-supervisé, et 7 séances de travaux pratiques (dont 3 en autonomie) permettant de mettre en œuvre ces techniques. Dans la première partie du cours, sont étudiées deux techniques de partitionnement classiques, à savoir l’algorithme de k-moyennes, et la classification probabiliste par apprentissage d’un modèle de mélange gaussien. Ensuite, nous introduisons les autoencodeurs, et enfin quatre modèles génératifs basés sur l’apprentissage profond : les réseaux antagonistes génératifs (GAN), les normalizing flows (NF), les autoencodeurs variationnels (VAE) et les modèles de diffusion (DM).
Pré-requis obligatoires
Introduction au Deep Learning (IATI S8), Analyse Multivariée (IATI S8), Statistiques Avancées (IATI-SIA S8), Statistiques computationnelles (IATI-SIA S8).