Rémi Flamary

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

• TP 1: Bayes [PDF] [pima.npz]
• TP 2: Régression linéaire [PDF] [ECoG_Finger.npz]
• TP 3: Classification linéaire [PDF][digits.npz]
• TP 4: Prise en main du logiciel OpenVibe

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:

• Cours Python 3 pour la programmation scientifique
• Tutorial Numpy (en)
• Doc Numpy (en)
• Doc Scipy (en)
• Doc ScMatplotlib/pylab (en)

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 doivent 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.