Ce cours introduit les algorithmes d'optimisation avancées issues de l'intelligence artificielle pour la résolution de problèmes complexes en machine learning.
Plan du cours :
- Métaheuristiques pour l’optimisation difficile : Algorithmes greedy, Recherche locale, descente de gradient, Recherche locale avancée (recuit simulé, …)
- Algorithmes issus de l’IA: Algorithmes évolutionnaires, particle intelligence collective, …
- Optimisation pour le clustering et la classification : SVM (Support Vector Machines), K-median, K-mean++
- Optimisation pour le deep learning (entrainement): Stochastic gradient, Minibatch, Momentum, Adagrad, RMSProp, ADAM
- Optimisation pour l’apprentissage par renforcement – Reinforcement Learning: Q-Learning
- Théorie des jeux : Théorie des jeux et réseaux de neurones profonds, Generative Adversarial Networks (GAN)
- Apprentissage et optimisation dans les Systèmes Multi-agents
- Enseignant: El-Ghazali Talbi