L'École est soutenue par :
L'École comportera à la fois des cours tutoriaux, ainsi que des sessions ouvertes permettant aux participants de présenter leurs travaux et de confronter leurs idées.
L'emploi du temps de l'École est disponible ici.
1. Méthodes à noyaux, machines à vecteurs supports, applications en segmentation du signal (5h)
Conférencier :
Stéphane Canu,
Professeur à l’INSA Rouen / LITIS.
Télécharger les transparents du cours :
Introduction aux SVM -
Statistical Learning -
Kernel Machines
2. Méthodes parcimonieuses pour l'apprentissage statistique : théorie et algorithmes (5h)
Conférencier :
Francis Bach,
Chercheur INRIA à l’École Normale Supérieure / Projet Willow.
Télécharger les transparents du cours :
Sparse methods for machine learning
3. Méthodes bayésiennes pour les modèles à variables latentes (5h)
Conférencier :
Olivier Cappé,
Directeur de Recherche CNRS à Télécom ParisTech / LTCI.
Télécharger les transparents du cours :
Bayesian methods for latent variable
models
4. Apprentissage statistique appliqué aux interfaces cerveau-machine (2h)
Conférencier :
Alain Rakotomamonjy,
Professeur à l’Université de Rouen / LITIS.
Télécharger les transparents du cours :
Apprentissage statistique
appliqué aux interfaces cerveau-machine
5. Méthodes d'apprentissage distribué. Application aux réseaux de capteurs (2h)
Conférencier :
Cédric Richard,
Professeur à l’Université de Nice / Laboratoire Fizeau.
Télécharger les transparents du cours :
Apprentissage et traitement adaptatif
de l'information dans les réseaux de capteurs sans fil
6. Sciences cognitives et robotique : le défi de l’apprentissage autonome (2h)
Conférencier :
Philippe Gaussier,
Professeur à l’Université de Cergy-Pontoise / ETIS.
Télécharger les transparents du cours :
Sciences cognitives et robotique : le
défi de l’apprentissage autonome
