gozuslayer Goto Github PK

as

Ce module dresse un panorama de l’apprentissage statistique aujourd’hui. Il aborde successivement les grandes problématiques du domaine et en présente les avancées majeures des dix dernières années, en les illustrant sur des grands champs applicatifs : traitement de données textuelles et multimédia, extraction d’information à partir de données collaboratives (médias sociaux), etc. Le cours aborde successivement: Théorie de l’apprentissage statistique, capacité de généralisation, dilemme biais-variance, etc Apprentissage Supervisé : Classification, Réseaux de Neurones et Deep Learning, Machines à vecteurs de support, Méthodes à noyaux, Ranking, Problématique du passage à l’échelle Apprentissage non supervisé : Partitionnement, Modèles à variables latentes Autre paradigmes d’apprentissage : Apprentissage par renforcement, Apprentissage faiblement supervisé, Apprentissage semi-supervisé et transductif, Apprentissage actif, Transfer Learning Méthodes d’ensembles: bagging, boosting, etc Apprentissage et données structurées : Séquences et arbres, Graphes et données inter-dépendantes

asws

Apprentissage symbolique : Nous présenterons la construction d’arbres de décision, la construction de règles d’association, l’analyse formelle de concepts (Formal Concepts Analysis), les approches formelles de l’apprentissage, les fondements philosophique de l’induction et de l’abduction, la généralisation de termes et de clauses, la programmation logique inductive et la programmation logique abductive. Nous aborderons ensuite la découverte sous l’angle de la reconstruction rationnelle et sous l’angle de la fouille de données. Nous décrirons enfin des applications de l’apprentissage à l’acquisition des connaissances, à l’anticipation de comportements et à la créativité. Enfin, on traitera de l’extraction de motifs récurrents, qu’il s’agisse de motifs syntaxiques ou lexicaux, et d’alignement de textes monolingues et multilingues. Web Sémantique : Ce cours aborde le problème de la modélisation et l’interrogation du Web Sémantique. On étudiera les fondements théoriques et réalisations pratiques des standards du Web Sémantique (RDF, OWL) et leur utilisation pour l’intégration et l’interrogation de données.

awesome-d3

A list of D3 libraries, plugins and utilities

awesome-data-science-viz

:boom: A curated list of data science, analysis and visualization tools

awesome-datascience

:memo: An awesome Data Science repository to learn and apply for real world problems.

awesome-deep-learning

A curated list of awesome Deep Learning tutorials, projects and communities.

awesome-deep-vision

A curated list of deep learning resources for computer vision

awesome-deeplearning-resources

Deep Learning and deep reinforcement learning research papers and some codes

awesome-public-datasets

An awesome list of high-quality open datasets in public domains (on-going). By everyone, for everyone!

awesome-rnn

Recurrent Neural Network - A curated list of resources dedicated to RNN

awesome-tensorflow

TensorFlow - A curated list of dedicated resources http://tensorflow.org

awesome-torch

A curated list of awesome Torch tutorials, projects and communities

caffegraph

Load graphical Caffe networks in Torch

dcgan.torch

A torch implementation of http://arxiv.org/abs/1511.06434

deepvision

dqn-tensorflow

Tensorflow implementation of Human-Level Control through Deep Reinforcement Learning

fb.resnet.torch

Torch implementation of ResNet from http://arxiv.org/abs/1512.03385 and training scripts

fdms

Cette UE est partiellement enseignée par des industriels du data mining (Dataiku, Talend, …). Le module aborde diverses problématiques dans les domaines de la Business Intelligence et les données dans l’entreprise (chaînes de traitement pour l’alimentation et le contrôle de la qualité des données, ETL), la Fouille et analyse de données (industrialisation, passage à l’échelle des méthodes) , les Systèmes de recommandation (modélisation des préférences de l’utilisateur, à l’élicitation, sélection ou le rangement d’items) et les Médias sociaux (analyse, mesure, et modélisation de réseaux sociaux, fouille de données, prédiction de liens, l’inférence de classes des individus).

inception-v3.torch

Rethinking the Inception Architecture for Computer Vision

inception.torch

Torch port of https://github.com/google/inception

instabot

Cool Instagram scripts, bots and API wrapper. Written in Python.

instabot.py

Instagram bot. It works without instagram api, need only login and password. Write on python.

loadcaffe

Load Caffe networks in Torch7

neuralconvo

Neural conversational model in Torch

personalassistant

personnal AI assistant

pretrained-models.pytorch

Pretrained ConvNets for pytorch: NASNet, ResNeXt101, ResNet152, InceptionV4, InceptionResnetV2, etc.

rake-tutorial

A python implementation of the Rapid Automatic Keyword Extraction

rdfia

L'objectif de cette UE est de présenter les théories et les algorithmes de classification et d'interprétation d'images. Outre les fondements mathématiques de la théorie de la décision bayésienne et de l'apprentissage statistique, les méthodologies de l'apprentissage supervisé, non supervisé, des théories de l'incertain et de la fusion d'informations seront présentées. Le deuxième aspect méthodologique porte sur les modèles de représentation de l'information visuelle pour la classification, depuis l'extraction des primitives visuelles jusqu'à l'interprétation finale. Enfin, des approfondissements traitant de représentations structurelles, hiérarchiques, par graphes, sémantiques, etc., seront étudiées conjointement avec des mesures de similarités avancées. Elles seront complétées avec des méthodes d'apprentissage associées (méthodes à noyaux, apprentissage profond, optimisation stochastique …). De nombreux exemples viendront illustrer les parties fondamentales de ce cours, ainsi que plusieurs applications visant à la classification de bases d'images naturelles, médicales, satellitaires ...

ri

Ce module propose d’aborder le problème de la recherche d’informations dans sa généralité en introduisant les grandes problématiques, les notions de base du domaine, les principaux modèles théoriques, les spécificités de la recherche d’information sur le texte, le multimédia (images, vidéos), le web, etc. La première partie sera consacrée aux notions de base : pré-traitements, indexation et représentation des données à contenu sémantique, modèles théoriques de recherche, filtrage, classification, bouclage de pertinence, etc, qui seront déclinées sur les différents médias. On introduira ensuite des notions plus avancées concernant les problèmes liés aux très grandes masses de données, à l’utilisation des méthodes d’apprentissage automatique qui sont aujourd’hui largement employées pour les différents problèmes de RI, et des problématiques plus récentes comme l’analyse de sentiments, l’analyse de média sociaux vue sous l’angle de la RI, l’analyse des flux d’information, l’extraction d’information à partir des données hétérogènes du web, le résumé automatique. Enfin le cours présentera les moteurs de recherche et abordera successivement les problématiques d’indexation (indexes inversés, etc), de crawling (robots sur le web, problème de scalabilité), de recherche d’information pertinente (ranking) basée sur le contenu et la structure (pagerank,…), d’évaluation de moteurs. Il aborde également la conception de moteurs de recherche spécialisés pour des domaines tels que la recherche d’articles scientifiques (CiteSeer), de formules chimiques etc. Le cours sera complété par des TD et des TP portant sur la représentation et le codage des documents texte ou multi-média, le développement de systèmes interactifs pour l’interrogation de bases de contenu, la réalisation d’un moteur de recherche qui pourra être réalisé suivant les années sur différents types de media (texte, images, vidéo) en employant des technologies récentes du domaine.

tennis-prediction

This is a FDMS project : predicting ATP Tennis match