IFT6266 A04 - Contenu des cours

  • 7 décembre -- Examen final, en classe.

  • 2 décembre -- Cours 25:
    Correction du devoir 4.
    Révision des concepts et algorithmes les plus importants.

  • 30 novembre -- Cours 24:
    Révision des concepts et algorithmes les plus importants.

  • 25 novembre -- Cours 23:
    Régression à noyau classique (ps) (pdf)
    et processus Gaussiens.
    Article introductoire par David McKay
    Très bref talk introductoire par Olivier Delalleau (ps) (pdf).
    Preuve de la formule principale (ps) (pdf).
    Conférence de H. Oja au 6214 à 14h sur l'algorithme ICA.

  • 23 novembre -- Cours 22:
    Exemple d'application: data-mining (ps) (pdf).

  • 18 novembre -- Cours 21:
    Truc du noyau et ACP à noyau. (ps) (pdf) Généralisation des méthodes de d'embedding spectral à de nouveaux exemples et estimation de fonctions propres (chapitre de livre à publier, pdf).

  • 16 novembre -- Cours 20:
    Apprentissage non-supervisé et en particulier apprentissage de variétés non-linéaires. (ps) (pdf) (ACP, MDS, spectral clustering, LLE, Isomap).

  • 11 novembre -- Cours 19:
    Fin de la discussion sur les HMMs. Modèles hybrides. Modèles à état continu.
    Analyse en composantes principales. Voir la section 8.6 du livre de Bishop.

  • 9 novembre -- Cours 18:
    Modèles de Markov cachés (HMMs) pour modéliser des données séquentielles. ps.

  • 4 novembre -- Cours 17:
    Estimation de l'incertitude autour de la validation croisée, comparaisons d'algorithmes d'apprentissage. [ps] [pdf].
    Introduction aux modèles de Markov cachés (HMMs) pour modéliser des données séquentielles. ps.

  • 2 novembre -- Cours 16:
    Correction de l'intra.
    Validation croisée, validation séquentielle. [ps] [pdf].
    Algorithme de la double validation croisée.

  • 28 octobre -- Cours 15: Sélection de modèles. [ps] [pdf].

  • 26 octobre -- INTRA

  • 21 octobre -- Cours 14:
    Correction du devoir 3 et révision pour l'intra: venez avec vos questions!

  • 19 octobre -- Cours 13:
    Réseaux de neurones (chapitres 3 et 4 de Bishop) [html] [ps].

  • 7 octobre -- Cours 12:
    Graphes de flot [ps] [pdf].
    Intro aux réseaux de neurones (chapitres 3 et 4 de Bishop) [html] [ps].

  • 5 octobre -- Cours 11:
    Correction du devoir 2.
    Fin des cours sur EM (démo sur la fonction auxiliaire).
  • 30 septembre -- Cours 10:
    Suite du chapitre 2 de Bishop (modèles de mélange et algorithme EM) (ps) (pdf).
  • 28 septembre -- Cours 9:
    Suite du chapitre 2 de Bishop (estimation de densité à noyau, modèles de mélange et algorithme EM) (ps) (pdf).
    LES NOTES ONT ETÉ MISES À JOUR 28/09/2004, 12h15. (modifications mineures)
  • 23 septembre -- Cours 8:
    Explications et réponses aux questions sur le devoir 2.
    Suite du chapitre 2 de Bishop (inférence Bayesienne). (ps) (pdf).
  • 21 septembre -- Cours 6:
    Correction du devoir 1.
    Début d'explications sur le devoir 2.
  • 16 septembre -- Cours 5:
    Introduction au problème de la gestion de portefeuille financier, d'un point de vue statistique. (ps) (pdf)).
    Voir aussi les notes de lectures pour la semaine dernière et le mémoire de maîtrise de Nicolas Chapados.
    Début du chapitre 2 de Bishop (distance de Mahalonabis, propriétés de la Gaussienne).
  • 14 septembre -- Cours 4: suite des notes sur le chapitre 1 de Bishop (ps) (pdf).
  • 9 septembre -- Cours 3: fin de la mise à niveau mathématique. Suite un peu plus formelle de l'introduction à l'apprentissage statistique: prédicteurs affines, classificateur de Bayes, k-plus-proches-voisins, régularisation. Voir les notes dérivées en partie du chapitre 1 du livre de Bishop (ps) (pdf)).
    [FICHIERS MIS À JOUR MERCREDI 8 SEPT 17h]
    Voir aussi les notes de lectures pour cette semaine.
  • 7 septembre -- Cours 2: Mise à niveau en probabilités, statistiques, algèbre linéaire, optimisation. (ps) (pdf) [FICHIERS MIS À JOUR MARDI 7 SEPT 12h45 AVEC LEXIQUE INFORMEL COMPLÉTÉ]
    Voir aussi les notes de lectures pour cette semaine.
  • 2 sept -- premier cours
    Cours 1: Introduction informelle à l'apprentissage statistique, et aux notions de généralisation et capacité (notes de cours).
    Voir aussi les notes de lectures pour cette semaine.

    [ Site du cours | Informations sur le cours | Notes de cours et horaire | Livre et lectures | Devoirs et examens | Expérimentation informatique | ]

    IFT6266 A03 - Algorithmes d'Apprentissage || www.iro.umontreal.ca/~pift6266/A03