Fondements de l'apprentissage machine

3 crédits · 2e ou 3e cycle

Apprentissage probablement approximativement correct, dimension de Vapnik et Chervonenkis et minimisation du risque empirique. La minimisation du risque structurel et la longueur de description minimale. Les arbres de décision, les classificateurs premiers voisins, les classificateurs linéaires, le « Boosting », la régression logistique et les moindres carrés. La minimisation du risque régularisé et la régularisation de Tikhonov. Les problèmes d'apprentissage convexes et la descente de gradient stochastique. Les méthodes à noyaux et les machines à vecteurs de support (SVM). Les classificateurs multiclasses, la prédiction de sorties structurées et l'apprentissage d'ordonnancement. Les réseaux de neurones et l'algorithme de la rétropropagation du gradient de l'erreur. Université du Québec à Trois-Rivières 3351, boulevard des Forges, Trois-Rivières (Québec) G8Z 4M3 Information générale : crmultiservice@uqtr.ca Téléphone : 819 376-5011 Sans frais : 1 800 365-0922 Liens utiles Admission Futurs étudiants internationaux Campus et centres universitaires Services aux étudiants Découvrir l'UQTR Journées portes ouvertes Logement et résidences Pourquoi choisir l'UQTR?