Bayesian learning, MSO 37, filière Informatique, ECL

Stéphane Derrode, École Centrale de Lyon, Dpt MI, LIRIS (CNRS UMR 5205).

Cet espace recueille les documents concernant le cours d’apprentissage bayésien (Bayesian Learning) du module MSO 37 intitulé Bayesian Learning and Texte Mining, enseignés dans la filière Informatique (3A) de l’École Centrale de Lyon. Les documents associés à la partie Text Mining (enseignée par A. Saidi) sont disponibles sur l’espace Moodle de ce cours.

Informations générales

Récapitulatif des séances de cours et de TP :

  • 3 séances de 2h de cours :
    • Décision bayésienne;
    • Modèle de mélange;
    • Modèle de chaîne de Markov cachée.
  • 1 séance de TP de 4h :
    • Apprentissage bayésien.

Homeworks :

  • Révision des cours, faire les calculs laissés en suspend sous forme d’exercice.
  • Faire le tuto sur le modèle de mélange entre la séance 2 et la séance 3.

Évaluation spécifique :

  • Rédaction d’un CR (Compte-Rendu) pour le TP. Le travail à faire est spécifié en dernière séance.

Déroulé des séances

Séance #1 (2h) - cours Décision bayésienne

  • Objectif du cours
  • Intro_MSO37.pdf : Introduction et motivation du cours.
  • Dec_Bayes.pdf. Ces slides discutent du principes statistiques de la décision bayésienne et des principaux critères de classification. Démonstration du cours : Proof_Bayes.pdf
  • Programmes utilisés pour les illustrations du cours.

Séance #2 (2h) - cours Modèle de mélange

  • Objectif du cours
  • MixtureModel.pdf. Le cours porte sur le modèle de mélange qui suppose des données indépendantes et identiquement distribuées. On traite en particulier le cas gaussien.
  • Programmes utilisés pour les illustrations du cours.
  • Travail pour la séance suivante (à faire en autonomie)
  • Réaliser Tuto_MM, le tutoriel sur les modèles de mélange. Prendre pleinement connaisance de ce tuto vous aidera dans le TP en séance #4.

Séance #3 (2h) - cours Modèle de chaîne de Markov cachée

  • Objectif du cours
  • HMCModel.pdf. Le cours porte sur le modèle des chaînes de Markov cachées (Hidden Markov Chain), pour le traitement des séries temporelles.
  • Programmes utilisés pour les illustrations du cours.

Séance #4 (4h) - TP Apprentissage bayésien

  • Travaux pratiques
  • Réalisez TP_HMC, le TP sur le modèle des chaînes de Markov cachées.
  • Consignes pour le CR
  • Le travail est individuel.
  • Le CR de TP sera constitué:
    • des programmes développés et des images générées (un zip du répertoire de travail conviendra). L’image que vous aurez sélectionnée pour réaliser la dernière partie devra également faire partie du zip.
    • d’un mini-rapport (au format pdf ou markdown ; les formats doc ou docx ne sont pas acceptés) qui explique les résultats obtenus. N’oubliez pas de faire figurer vos noms et prénoms sur ce compte-rendu, ainsi que l’image que vous aurez sélectionnée pour la dernière partie. Il s’agit, dans ce rapport, de reproduire les courbes générées automatiquement et de les commenter (montrez que vous avez compris la méthode de segmentation). Pour la dernière partie, pensez à interpréter les résultats de segmentation (sont-ils bons ou mauvais ? Pourquoi d’après vous ?).