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