Reconnaissance des formes et méthodes neuronales
Code UE : RCP208
- Cours
- 6 crédits
Responsable(s)
Michel CRUCIANU
Public et conditions d'accès
Cet enseignement s'adresse aux auditeurs souhaitant acquérir des connaissances de base sur l'analyse des données, la reconnaissance des formes et la fouille de données (data mining).
Prérequis obligatoires : avoir suivi le cycle préparatoire de l'EICNAM ou avoir un niveau équivalent (licence).
Prérequis obligatoires : avoir suivi le cycle préparatoire de l'EICNAM ou avoir un niveau équivalent (licence).
Objectifs pédagogiques
Ce cours donne des éléments de base de l'analyse des données et de la reconnaissance des formes, ainsi que des principes fondamentaux à mettre en œuvre pour traiter des applications réelles. L'analyse des données et la reconnaissance des formes aident à comprendre des phénomènes naturels, économiques ou socio-culturels à partir des données empiriques et permettent de construire des modèles pour la prise de décision.
Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, les enquêtes d'opinion, le marketing, la gestion de la relation client, la climatologie, la sécurité environnementale, etc.
L'enseignement adopte une approche pragmatique, avec une mise en œuvre systématique des méthodes présentées.
L'unité d'enseignement RCP209 « Apprentissage, réseaux de neurones et modèles graphiques » est une suite recommandée de RCP208.
Les méthodes abordées ont de très nombreuses applications dans des domaines aussi divers que l'assurance qualité, les enquêtes d'opinion, le marketing, la gestion de la relation client, la climatologie, la sécurité environnementale, etc.
L'enseignement adopte une approche pragmatique, avec une mise en œuvre systématique des méthodes présentées.
L'unité d'enseignement RCP209 « Apprentissage, réseaux de neurones et modèles graphiques » est une suite recommandée de RCP208.
Compétences visées
Analyse des données, modélisation descriptive à partir de données, introduction à la modélisation décisionnelle avec application à la reconnaissance des formes et à la fouille de données.
Contenu
Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :
Les TP sont réalisés en utilisant principalement la plateforme Scikit-learn. Une introduction rapide au langage Python, à NumPy, à matplotlib et à Scikit-learn est prévue lors des premières séances de TP.
- Applications, nature des problèmes de modélisation et spécificités des données.
- Analyse des données, réduction de dimension : méthodes factorielles.
- Classification automatique.
- Estimation de densités.
- Imputation des données manquantes.
- Cartes de Kohonen.
- Perceptrons multi-couches pour le classement et la régression.
Les TP sont réalisés en utilisant principalement la plateforme Scikit-learn. Une introduction rapide au langage Python, à NumPy, à matplotlib et à Scikit-learn est prévue lors des premières séances de TP.
Modalité d'évaluation
Examen ; certaines questions peuvent porter sur les travaux pratiques.
Bibliographie
- A. Belaid, Y. Belaid : Reconnaissance des formes : méthodes et applications. Ed. Inter Editions.
- G. Dreyfus, et al : Réseaux de neurones : méthodologies et applications. Ed. Eyrolles.
- M. Crucianu, J.-P. Asselin de Beauville, R. Boné : Méthodes factorielles pour l'analyse des données : méthodes linéaires et extensions non-linéaires. Ed. Hermès.
- G. Saporta : Probabilités, analyse des données et statistique. Ed. TECHNIP.
- D.J. Hand, H. Mannila, P. Smyth : Principles of Data Mining (Adaptive Computation and Machine Learning). Ed. Bradford Book.
Cette UE apparaît dans les diplômes et certificats suivants
Rechercher une formation
Chargement du résultat...

Intitulé de la formation |
Type |
Modalité(s) |
Lieu(x) |
|
---|---|---|---|---|
Intitulé de la formation
Diplôme d'ingénieur Spécialité informatique Parcours Informatique modélisation optimisation
|
Type
Diplôme d'ingénieur
|
Lieu(x)
À la carte
|
||
Intitulé de la formation
Diplôme d'ingénieur Spécialité informatique Parcours Informatique modélisation optimisation
|
Type
Diplôme d'ingénieur
|
Lieu(x)
Package
|
Lieu(x)
Grand-Est
|
|
Intitulé de la formation
Certificat de spécialisation Intelligence artificielle
|
Lieu(x)
À la carte
|
Lieu(x)
Nouvelle-Aquitaine, Paris
|
||
Intitulé de la formation
Diplôme d'ingénieur Spécialité informatique Parcours Cybersécurité
|
Type
Diplôme d'ingénieur
|
Lieu(x)
À la carte
|
||
Intitulé de la formation
Diplôme d'ingénieur Spécialité informatique Parcours Cybersécurité
|
Type
Diplôme d'ingénieur
|
Lieu(x)
Package
|
Lieu(x)
Grand-Est
|
|
Intitulé de la formation | Type | Modalité(s) | Lieu(x) |
Contact
Voir les dates et horaires, les lieux d'enseignement et les modes d'inscription sur les sites internet des centres régionaux qui proposent cette formation
UE
-
-
Paris
-
Centre Cnam Paris
- 2020-2021 1er semestre : Présentiel soir ou samedi
- 2020-2021 2nd semestre : FOAD 100%
Comment est organisée cette formation ?Organisation de la modalité FOAD 100%
:Planning
2ème semestre
- Date de démarrage : 15/02/2021
- Date limite d'inscription : 24/04/2021
- Regroupements facultatifs : 3 pour une totalité de 6 heures
- Date de 1ère session d'examen : la date sera publiée sur le site du centre ou l'ENF
- Date de 2ème session d'examen : la date sera publiée sur le site du centre ou l'ENF
Accompagnement
- Plateforme Moodle
- Forum
- Messagerie intégrée à la plateforme
- Classe virtuelle
- Séance de démarrage
Ressources mises à disposition de l'auditeur
- Documents de cours
- Enregistrement de cours
- Documents d'exercices, études de cas activités
- Bibliographie et webographie
- TP
Modalités de validation
- Contrôle continu
- Examen sur table
- 2 projets individuels
-
Centre Cnam Paris
-
Paris
Code UE : RCP208
- Cours
- 6 crédits
Responsable(s)
Michel CRUCIANU