L’apprentissage automatique (« machine learning » en anglais) est un champ d’activité au cœur de nombreuses technologies contemporaines, comme la reconnaissance d’images ou le traitement du langage naturel. De manière schématique, l’un des problèmes centraux en apprentissage consiste à construire une fonction de prédiction de certains attributs associés à des caractéristiques à partir d’un jeu de données, constitué de nombreuses paires attribut-caractéristiques. Le but de cette formation est de proposer une introduction à la théorie mathématique de l’apprentissage. L’accent sera porté sur le lien entre le problème concret et sa formalisation, ainsi que sur certains résultats fondamentaux au cœur de la théorie, de nature probabiliste et combinatoire. Nous indiquerons également quelques pistes de développements accessibles au niveau classes préparatoires.
11 - Programme
9h15 : Accueil.
9h45 – 11h :
Introduction générale. Apprentissage supervisé, classification, régression.
11h – 12h15 :
Minimisation du risque empirique. Compromis approximation-estimation.
12h15 – 13h45 : Pause
déjeuner (prise en charge par l'Ensae).
13h45 – 15h :
Minimisation du risque empirique et convergence uniforme.
15h – 16h : Dimension
de Vapnik-Chervonenkis.
16h – 16h15 : Pause
café.
16h15 – 17h30 :
Prédiction linéaire.
