|
IFT6266 A06 - Contenu des cours (planifiés ou effectués)
- 30 novembre -- 22e cours
Auto-associateurs et architectures profondes.
Slides d'une conférence sur une procédure vorace
pour entraîner des réseaux profonds.
L'article lui même est dans les
lectures hebdomadaires.
- 28 novembre -- 21e cours
Modèles statistiques récurrents
pour données séquentielles.
Modèles locaux et partiellement locaux.
Voir l'article par P. Vincent et Y. Bengio sur lesK-local hyperplane.
- 23 novembre -- 20e cours
Apprentissage non-supervisé:
Apprentissage de variétés,
analyse en composantes principales.
Spectral clustering, kernel PCA, Isomap.
Bishop sections 9.1, 12.1, 12.3, 12.4
- 21 novembre -- 19e cours
Revision de la double validation croisée
et validation séquentielle double.
Apprentissage non-supervisé:
classification non-supervisée, algorithme k-moyennes.
Bishop sections 9.1, 12.1, 12.3, 12.4
- 14 novembre -- 18e cours
Inférence ans les modèles probabilistes graphiques.
Slides de Aaron Courville.
Chapitre 8 de Bishop (section 8.4).
Algorithme EM.
Chapitre 9 de Bishop (section 9.2, 9.3, 9.4).
Voir lectures sur EM et les modèles probabilistes graphiques.
- 14 novembre -- 18e cours
Introduction aux modèles probabilistes graphiques.
Slides de Aaron Courville.
Chapitre 8 de Bishop (sections 8.1 et 8.2).
- 9 novembre -- 17e cours
Processus Gaussiens
et SVMs.
Chapitre 6 de Bishop.
- 7 novembre -- 16e cours
Processus du data-mining - fin.
(pdf).
Introduction aux modèles à noyau modernes
pour l'apprentissage supervisé
(pdf).
Chapitre 6 de Bishop.
- 2 novembre -- 15e cours
Gstion de portefeuille financier, par apprentissage
statistique, suite.
(ps)
(pdf).
Introduction au processus du data-mining
(pdf).
- 31 octobre -- 14e cours
Correction de l'intra.
Introduction au problème de la gestion de portefeuille financier, d'un point
de vue statistique.
(ps)
(pdf)).
Voir aussi le mémoire de maîtrise de
Nicolas Chapados.
- 19 octobre -- examen intra
- 17 octobre -- 13eme cours
Correction du devoir 2
Révision pour l'intra: préparez vos questions!
- 12 octobre -- 12eme cours
Sélection de modèles et comparaison statistique d'algorithmes d'apprentissage
- 10 octobre -- 11eme cours
Suite Techniques d'entraînement des réseaux de neurones multi-couches.
Pseudo-code pour MLPs
Debut du feuillet sur la selection de modeles
- 4 octobre -- 10eme cours
Techniques d'entraînement des réseaux de neurones multi-couches.
Bishop: sections tout 5.2, tout 5.3,5.4(intro),5.5(intro),5.5.2
- 2 octobre -- 9eme cours
Intro aux réseaux de neurones multi-couches.
Bishop: sections 5(intro), tout 5.1, tout 5.2
- 28 septembre -- 8eme cours
Correction du devoir 1.
- 26 septembre -- 7eme cours
Suite de la section sur le gradient
et description des graphes de flot pour le calcul efficace
du gradient.
Introduction à l'approche Bayesienne
en apprentissage statistique.
Bishop: sections 1.2.3, 1.2.5, 1.2.6, 3.3(intro), 3.3.1, 3.3.2
- 21 septembre -- 6eme cours
Dilemme biais-variance (voir notes du chapitre 1 de l'ancien Bishop)
Premiers réseaux de neurones et algorithme du
Perceptron.
Intro au gradient.
Bishop: sections 3.2, 4.1(intro),4.1.7, 5.2.4
- 19 septembre -- 5eme cours
Suite des concepts du chapitre 1 de l'ancien livre de Bishop
[pdf].
Classificateur de Bayes.
Classifieur Gaussien.
Régression logistique.
Biais et variance des estimateurs.
Bishop: sections 2.3.4, 4(intro),4.1.1,4.1.2,4.1.3,4.2(intro),4.2.1,4.2.2,4.3(intro),4.3.1,4.3.2,4.3.3,4.3.4
- 14 septembre -- 4eme cours
Algorithmes non-paramétriques, k-plus-proches voisins,
fléau de la dimensionalite.
Suite des concepts du chapitre 1 de l'ancien livre de Bishop
[pdf].
Bishop: sections 1.4, tout 2.5
- 12 septembre -- 3eme cours
Mise à niveau en probabilités, statistiques, algèbre linéaire, optimisation.
(pdf)
- 7 septembre -- 2eme cours
Introduction un peu plus formelle à l'apprentissage statistique,
régression et classification linéaire, -
(concepts du chapitre 1 de l'ancien livre de Bishop)
[pdf].
Bishop: sections 1.1,1.2.5,tout 1.5, 3(intro), 3.1(intro)
- 5 septembre -- premier cours
Introduction informelle à l'apprentissage statistique,
et aux notions de généralisation et capacité
(notes de cours).
Voir aussi les lectures préparatoires et
références mathématiques pratiques.
- Fichiers source latex des notes de cours:
[
Site du cours |
Informations sur le cours |
Notes de cours et horaire |
Livre et lectures |
Devoirs et examens |
Expérimentation informatique
]
IFT6266 A06 - Algorithmes d'Apprentissage || www.iro.umontreal.ca/~pift6266/A06
|