Descriptif
Syllabus :1- Introduction
Classification de documents,
Modèles graphiques orientés
2- Les modèles de thèmes
Mélange de lois multinomiales
Algorithme EM
Modèle PLSA
Modèle LDA
3- Les modèles structurés
Dépendances linguistiques, structure dans les modèles graphiques
Retour sur les HMM
Modèles d’alignments IBM1, IBM2
4- Les modèles conditionnels
Régression logistique et maximum d’entropie
Modèle CRF
5- Inférence exacte
Elimation des variables
Passage de messages
Algorithme de l’arbre de jonction
6- Inférence approchée: méthodes variationnelles
Propagation de croyances dans des graphes cycliques
Principes de l’inférence variationnelle
Application à LDA
7- Inférence approchée: échantillonnage
Principe des méthodes d’échantillonage
Application au mélangue de lois multinomiales
Application à LDA
Diplôme(s) concerné(s)
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Echange non diplomant
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Data Science
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Diplôme d'ingénieur
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2.5 ECTS
- Crédit d'Option 3A acquis : 2.5
La note obtenue rentre dans le calcul de votre GPA.