Auteurs

• Stéphane Derrode, Centrale Lyon, Dpt Mathématiques & Informatique

Objectifs

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 Centrale Lyon. Les documents associés à la partie Text Mining (enseignée par A. Saidi) sont disponibles sur l’espace Moodle de ce cours.

Table des matières

• Informations generales
• Deroule des seances
  • Seance #1 (2h) - Decision bayesienne
  • Seance #2 (2h) - Modele de melange
  • Seance #3 (2h) - Modele de chaine de Markov cachee
  • Seance #4 (4h) - TP sur l’apprentissage bayesien

---

Informations generales¶

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 TP sur la décision baysienne entre la séance 1 et la séance 2, et 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.

---

Deroule des seances¶

Seance #1 (2h) - Decision bayesienne¶

• Objectif du cours

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

• Travaux pratiques

• Réalisez TP_BayDec, le TP sur la classification bayésienne.

---

Seance #2 (2h) - Modele de melange¶

• 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.

---

Seance #3 (2h) - Modele de chaine de Markov cachee¶

• 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.

---

Seance #4 (4h) - TP sur l’apprentissage bayesien¶

• 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 ?).