Public :
M2 Pro Base de données avancées
M2 Pro Génie statistique et informatique
M2 Rec Informatique Fondamentale
Date de rendu pour toutes les filières: 11 janvier 2011.
Chaque groupe doit rédiger un rapport de 15 pages au maximum sur le sujet qu’il a traité. Contenu synthétique:
Présentation du sujet
Cadre/historique
Difficultés techniques du problème
Solutions existantes
Solution privilégiée (avec contenu mathématique et motivations)
Regard critique sur la solution privilégiée
Conclusion
Les présentations faites lors des séances de cours doivent être jointes au rapport.
Chaque groupe doit rédiger un rapport de 10 pages maximum sur le sujet traité. Contenu synthétique:
Introduction
Présentation de la méthode dans le cas linéaire
Présentation de la méthode version ‘noyaux’ avec l’ensemble des preuves
Commentaires sur la méthode
Simulations numériques et commentaires
Conclusion
Le code doit être joint au rapport.
Chaque étudiant rédigera un rapport de 4 pages maximum sur l’article qu’il aura préparé. Il devra contenir les éléments importants de l’article et montrer précisément où se situent les difficultés techniques de la contribution du papier ainsi que la manière dont elles sont traitées.
Une présentation orale aura lieu dans le courant du mois de Janvier.
Des séances de cours sur des sujets avancés d’apprentissage auront lieu au mois de Janvier également.
Les étudiants doivent reconstruire, étudier quelques propriétés statistiques, programmer et faire un rapport sur (1 sujet par groupe) :
L’analyse en composantes principales à noyaux
L’analyse discriminante à noyaux
La régression aux moindres carrés à noyaux
La régression logistique à noyaux : Pham, Boucekine, Diakhate, Seck
Le matching pursuit à noyaux
Données :
Articles à préparer pour présentation à la craie.
From Margin to Sparsity, Thore Graepel, Ralf Herbrich, and Robert C. Williamson, Adv. in Neural Information Processing Systems 13, 2001.
-
-
-
Beating the Hold-Out, Avrim Blum and Adam Kalai and John Langford, In Proc. of the International Conference on Computational Learning Theory, 1999.
On kernel target alignment, Nello Cristianini, Jaz Kandola, Andre Elisseeff, J. Shawe-Taylor, Adv. in Neural Information Processing Systems 14, 2002.