Apprentissage non supervisé

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.

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).

Introduction au Deep Learning (IATI S8), Analyse Multivariée (IATI S8), Statistiques Avancées (IATI-SIA S8), Statistiques computationnelles (IATI-SIA S8).