Rémi Flamary

Site web professionel

Apprentissage automatique et interfaces cerveau-machine M1

Ce cours a été préparé en collaboration avec le cours Reconnaissance de formes et interfaces cerveau-machine et de nombreuses informations sur encore disponibles sur ce site

Cours

  • Reconnaissance des formes et machine learning [PDF]
    • Introduction
    • Description/Exploration des données
    • Prédiction
    • Mise en oeuvre d'un système
  • Rappels de Probabilité [PDF]
    • Analyse des données
    • Inerties
    • Analyse en Composantes Principales
  • Théorie bayesienne de la décision [PDF]
    • Rapport de vraisemblance
    • Risque de Bayes
    • Exemples dans le cas gaussien
  • Régression Linéaire [PDF]
    • Régression Linéaire
    • Régression Ridge
    • Régression linéaire pour la discrimination
  • Discrimination Linéaire [PDF]
    • Régression logistique
    • Perceptron de Rosenblatt
    • Séparateurs à Vaste Marge
  • Interfaces Cerveau-Machine [PDF][PDF+url]
    • Paradigmes et Applications
    • Acquisitions ICM
    • Traitement du signal, extraction de caractéristique
    • Classification des signaux

Travaux Dirigés

  • TD0 Rappels de Proba [PDF]

Travaux Pratiques

Les travaux pratiques peuvent être faits en Python et nécessitent les bibliothèques Numpy/Scipy et Matplotlib. Vous pouvez télécharger gratuitement un environnement Python 3.6 complet pour Windows/Linux/MacOSX sur le site de Anaconda.

Voici une liste de références pour coder en Python:

Projet

Cette année le projet est une compétition Kaggle disponible à cette adresse.

La description des données est disponible à cette adresse

Pour y participer, vous devez créer un compte Kaggle avec votre adresse mail étudiante (@etu.univ-cotedazur.fr).

Les données de la compétition sont confidentielles et ne doievent en aucun cas être redistribuées sur internet.

A la fin du projet, il vous sera demandé de faire un courte présentation de la méthode proposée lors de cette compétition ainsi qu'un rapport au format article scientifique.