Accueil UnitésApprentissage, Réseaux de neurones et Modèles graphiques
RCP209

U.E Apprentissage, Réseaux de neurones et Modèles graphiques

nombre d’heures
51
Modalités 100% à distance
Crédits ects
6

Où se
former?

1 Centre d’enseignement en Nouvelle-Aquitaine

Quand se former ?

Rentrée
Permanente !
voir toutes les dates

Votre projet professionnel commence ici !

Formez-vous avec

Dites-nous tout sur votre projet !

Choisissez une session de formation

Centres de formation :
Modalités d’enseignement : 100% à distance Mixte : à distance + cours en salle Présentiel
Centres de formation Prochaines sessions Modalités Informations
Session 2021/2022
Centres de formation Prochaines sessions Modalités Informations
Nouvelle-Aquitaine Octobre 2021
Février 2022

1er semestre
RCP209-2021-1-FN-NA

Formation dispensée par un autre centre Cnam. Supports de cours et ressources pédagogiques en ligne, activités pédagogiques encadrées à distance, regroupements en visio conférence. Planning fourni par le centre Cnam dispensateur de l’enseignement.
Session 2022/2023
Centres de formation Prochaines sessions Modalités Informations
Nouvelle-Aquitaine Octobre 2022
Février 2023

1er semestre
RCP209-2022-1-FN-NA

Formation dispensée par un autre centre Cnam. Supports de cours et ressources pédagogiques en ligne, activités pédagogiques encadrées à distance, regroupements en visio conférence. Planning fourni par le centre Cnam dispensateur de l’enseignement.
Voir ma liste de formation
Prérequis :

Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.

Objectifs :

Ce cours présente des méthodes de modélisation décisionnelle à partir des données, notamment à travers les machines à vecteurs supports (SVM), les réseaux de neurones profonds, et la prédiction structurée, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostique médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.

Compétences visées :

Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.

Nous contacter

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :

- Apprentissage supervisé : discrimination, régression, prédiction structurée.
- Evaluation et sélection de modèles.
- Arbres de décision et forêts d'arbres de décision (random forest).
- Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
- Réseaux de neurones, apprentissage de représentations, apprentissage profond (deep learning).
- Modèles graphiques, apprentissage structuré.

Chaque séance de cours est suivie d'une séance de travaux pratiques (TP) permettant de mettre en oeuvre les méthodes présentées.
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.

Modalités de validation :

La note finale est la moyenne non pondérée entre la note obtenue au projet et la note obtenue à l'examen final.

Nous contacter

Agenda

Choisissez une session de formation

Centres de formation
Modalités d’enseignement : 100% à distance Mixte : à distance + cours en salle Présentiel
  • Session 2020/2021

    Pas d'Unité d'Enseignement pour cette session

  • Session 2021/2022

  • Session 2022/2023

Présentation

Prérequis :

Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances sur la modélisation à partir des données pour la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi la première partie du cycle spécialisation de l'EICNAM ou avoir le niveau M1 (Bac + 4). Il est fortement recommandé d'avoir suivi au préalable l'UE RCP208 « Reconnaissance des formes et méthodes neuronales » ou un enseignement équivalent comportant une présentation des méthodes de base d'analyse des données et de modélisation descriptive des données.

Objectifs :

Ce cours présente des méthodes de modélisation décisionnelle à partir des données, notamment à travers les machines à vecteurs supports (SVM), les réseaux de neurones profonds, et la prédiction structurée, en vue de leur utilisation dans des applications réelles.
L'apprentissage automatique permet de construire, à partir des données empiriques, des modèles pour la prise de décision. Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, le diagnostique médical, les véhicules autonomes, la bio-ingénierie, la climatologie, la sécurité environnementale, le marketing, la gestion de la relation client, la recherche d'information, etc.

Compétences visées :

Modélisation décisionnelle à partir de données, avec application à la reconnaissance de formes et à la fouille de données.

Nous contacter

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :

- Apprentissage supervisé : discrimination, régression, prédiction structurée.
- Evaluation et sélection de modèles.
- Arbres de décision et forêts d'arbres de décision (random forest).
- Machines à vecteurs de support (SVM) : discrimination, régression, estimation du support d'une distribution, ingénierie des noyaux.
- Réseaux de neurones, apprentissage de représentations, apprentissage profond (deep learning).
- Modèles graphiques, apprentissage structuré.

Chaque séance de cours est suivie d'une séance de travaux pratiques (TP) permettant de mettre en oeuvre les méthodes présentées.
Les TP sont réalisés en utilisant les plateformes Scikit-learn et Keras. Une introduction à Scikit-learn et à Keras est prévue lors des séances de TP.

Modalités de validation :

La note finale est la moyenne non pondérée entre la note obtenue au projet et la note obtenue à l'examen final.

Nous contacter
Tarif indicatif
1 020

Mobilisez les financements auxquels vous avez droit !

Votre entreprise

finance

1 020

Vous payez

0

Pôle Emploi



finance

510

Vous payez

0

Votre CPF

Compte Personnel de Formation

finance

1 020

Vous payez

0

Le Conseil Régional

finance

Vous payez

156 (1)

AG2R (2)
La Mondiale

finance
700

/module (4 modules maximum/an)

Vous payez

0
(1) -20% pour les demandeurs d'emploi (2) Dispositif réservé aux adhérents demandeurs d'emploi

Besoin de plus d’information sur les dispositifs de financement ?

Demandez l’aide
d’un conseiller
Cnam Nouvelle-Aquitaine

Valorisez votre formation avec un diplôme !

CS9700A
Certificat de spécialisation Intelligence artificielle
Appuyer sur Entrée pour chercher ou la touche ESC pour fermer
    top