Informations administratives
| Titre | Théorie de la décision |
| Durée | 60 |
| Module | A |
| Type de leçon | Tutoriel |
| Focus | Technique — Fondements de l’IA |
| Sujet | Fondements de l’IA |
Mots-clés
Théorème de Bayes, utilité maximale attendue, décision optimale, classificateur de Bayes, taux d’erreur de Bayes,
Objectifs d’apprentissage
- Théorème de Bayes
- utilité maximale attendue
- décision optimale
- Classificateur Bayes
- Taux d’erreur de Bayes
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Compétences Python et pandas
- Classificateur naïf Bayes
- Régression logistique
- Diagramme d’influence
Optionnel pour les étudiants
- Intelligence artificielle: A Modern Approach, 4e édition mondiale de Stuart Russell et Peter Norvig, Pearson (AIMA4e):ch12-18
Références et antécédents pour les étudiants
- AIMA4e:ch12-18
Recommandé pour les enseignants
- Domingos, P. et Pazzani, M., 1997. Sur l’optimalité du simple classificateur bayésien sous perte zéro-un. Apprentissage automatique, 29(2), p. 103-130.
- AIMA4e:ch12-18
Matériel de leçon
Instructions pour les enseignants
- Adapter le modèle NBN
- Générer des données synthétiques de différentes tailles (et éventuellement incomplètes/niveaux sonores)
- Explorer les régions décisionnelles
- Lors d’activités en classe, demandez aux étudiants de sélectionner des cas
Esquisse/horaire
| Durée | Description | Concepts | Activité | Matériel |
|---|---|---|---|---|
| 15 | Risque global et local, régions de décision, erreur Bayes | risque | ||
| 15 | Modèles génératifs et prédictifs: régression logistique vs. NBN | régression logistique | ||
| 15 | Apprentissage du réseau Naive Bayes à partir de données | Filet de Bayes naïfs | ||
| 15 | Apprentissage d’une régression logistique à partir de données | régression logistique |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.