🤖Apprentissage artificiel🤖

News

• 2021-11-09 le cours du 17/11 est reporté au 15/11, même heure, même salle
• 2021-11-05 Les consignes pour les projets sont disponibles.

Infos pratiques

• Quoi « Apprentissage Automatique » 4L9TL07P
• Où Salle 219, bâtiment Paul Ricœur
• Quand 8 séances, les mercredi de 9:30 à 12:30, du 22/09 au 17/11
  • Voir le planning pour les dates exactes
• Contact Loïc Grobol loic.grobol@parisnanterre.fr
• Évaluation Un TP noté en temps limité (date à déterminer) et un projet (voir les consignes)

Séances

Tous les supports sont sur github, voir Utilisation en local pour les utiliser sur votre machine comme des notebooks. À défaut, ce sont des fichiers Markdown assez standards, qui devraient se visualiser correctement sur la plupart des plateformes (mais ne seront pas dynamiques).

Les slides et les notebooks ci-dessous ont tous des liens Binder pour une utilisation interactive sans rien installer. Les slides ont aussi des liens vers une version HTML statique utile si Binder est indisponible.

2021-09-22 — Introduction et crash course Python

Slides

• Slides 1
• Slides 2
• Slides 3
• Slides 4
• Slides 5

Exos

• Power of Thor E01
• ASCII art
• The descent
• Shadow of the knight E01

Corrections

• Exercices slides 1
• Exercices slides 2
• Exercices Codingame : voir Github

2021-09-29 — Un peu de théorie et NumPy

• Slides 6

Corrections

• Exo sacs de mots dans sa version la plus sale possible.

2021-10-06 — Encore un peu de théorie, scikit-learn et les modèles de langues à n-grams

• Slides 7
• Exercice : écrire deux scripts Python. Le premier doit apprendre à partir d’un corpus de textes un modèle de langue à n-grammes (avec n paramétrable) et le sauvegarder dans un fichier csv. L’autre doit lire le modèle précédent et l’utiliser pour générer une phrase. Tester avec Le Ventre de Paris, puis avec le corpus CIDRE.

Lecture compagnon : Speech and Language Processing chapitre 3 « N-Gram language models ».

Pour la fois prochaine : lire le chapitre 4 « Naïve Bayes and Sentiment Classification » (sauf 4.9) de Speech and Language Processing. Venir au cours avec vos questions !

2021-10-13 — Modèles de langue à n-grammes (suite et fin) et Naïve Bayes

• Slides 8
• Slides 9

Lecture compagnon : Speech and Language Processing chapitre 4 « Naïve Bayes and Sentiment Classification ».

Pour la fois prochaine :

• Faites de votre mieux pour les exercices à la fin du slide 9
• Relire le chapitre 4 « Naïve Bayes and Sentiment Classification » et lire le chapitre 5 « Logistic Regression », venir au cours avec vos questions !

2021-10-20 — Naïve Bayes (suite et fin) et régression logistique.

• Correction slide 9
• Slides 10

Lecture compagnon : Speech and Language Processing chapitre 5 « Logistic Regression ».

Pour la fois prochaine :

• Speech and Language Processing chapitre 6 « Vector Semantics and Embeddings ».

2021-10-27 — Régression logistique (suite et fin)

• Slides 10

Lecture compagnon : Speech and Language Processing chapitre 5 « Logistic Regression ».

Pour la fois prochaine :

• Speech and Language Processing chapitre 6 « Vector Semantics and Embeddings ».

2021-11-10 — Réseaux de neurones et (peut-être) représentations vectorielles

• Slides 11
• Slides 12

Lecture compagnon : Speech and Language Processing chapitre 7 « Neural Networks and Neural Language Models ».

Pour la fois prochaine :

• Speech and Language Processing chapitre 9 « Deep Learning Architectures for Sequence Processing ».

2021-11-14 — Réseaux de neurones pour le traitement de séquences

• Slides 13

Lire les slides en local

Les supports de ce cours sont écrits en Markdown, convertis en notebooks avec Jupytext. C’est entre autres une façon d’avoir un historique git propre, malheureusement ça signifie que pour les ouvrir en local, il faut installer les extensions adéquates. Le plus simple est le suivant

1. Récupérez le dossier du cours, soit en téléchargeant et décompressant l’archive soit en le clonant avec git : git clone https://github.com/LoicGrobol/apprentissage-artificiel.git et placez-vous dans ce dossier.

2. Créez un environnement virtuel pour le cours (allez voir le cours 5 pour plus de détails sur ce que ça signifie)

   python3 -m virtualenv .venv
   source .venv/bin/activate
   

3. Installez les dépendances

   pip install -U -r requirements.txt
   

4. Lancez Jupyter

   jupyter notebook
   

   JupyterLab est aussi utilisable, mais la fonctionnalité slide n’y fonctionne pas pour l’instant.

Ressources

Apprentissage artificiel

• Speech and Language Processing de Daniel Jurafsky et James H. Martin est indispensable. Il parle de bien plus de chose que simplement de l’apprentissage artificiel, mais sur le plan théorique il contient tout ce dont on parlera concernant l’apprentissage pour le TAL. Il est disponible gratuitement, donc n’hésitez pas à le consulter très fréquemment. J’essaierai d’indiquer pour chaque cours les chapitres en rapport.
• Apprentissage artificiel - Concepts et algorithmes d’Antoine Cornuéjols et Laurent Miclet. Plus ancien mais en français et une référence très complète sur l’apprentissage (en particulier non-neuronal). Il est un peu cher alors si vous voulez l’utiliser, commencez par me demander et je vous prêterai le mien.

Python général

Il y a beaucoup, beaucoup de ressources disponibles pour apprendre Python. Ce qui suit n’est qu’une sélection.

Livres

• How to think like a computer scientist, by Jeffrey Elkner, Allen B. Downey, and Chris Meyers. Vous pouvez l’acheter. Vous pouvez aussi le lire ici
• Dive into Python, by Mark Pilgrim. Ici vous pouvez le lire ou télécharger le pdf.
• Learning Python, by Mark Lutz.
• Beginning Python, by Magnus Lie Hetland.
• Python Algorithms: Mastering Basic Algorithms in the Python Language, by Magnus Lie Hetland. Peut-être un peu costaud pour des débutants.
• Programmation Efficace. Les 128 Algorithmes Qu’Il Faut Avoir Compris et Codés en Python au Cours de sa Vie, by Christoph Dürr and Jill-Jênn Vie. Si le cours vous paraît trop facile. Le code Python est clair, les difficultés sont commentées. Les algos sont très costauds.

Web

Il vous est vivement conseillé d’utiliser un (ou plus) des sites et tutoriels ci-dessous.

• Un bon tuto NumPy qui va de A à Z.
• Real Python, des cours et des tutoriels souvent de très bonne qualité et pour tous niveaux.
• Coding Game. Vous le retrouverez dans les exercices hebdomadaires.
• Code Academy
• newcoder.io. Des projets commentés, commencer par ‘Data Visualization’
• Google’s Python Class. Guido a travaillé chez eux. Pas ce Guido, celui-là
• Mooc Python. Un mooc de l’INRIA, carré.
• Code combat

Divers

• La chaîne YouTube 3blue1brown pour des vidéos de maths générales.
• La chaîne YouTube de Freya Holmér plutôt orientée game design, mais avec d’excellentes vidéos de géométrie computationnelle.

Licences

Copyright © 2021 Loïc Grobol <loic.grobol@gmail.com>

Sauf indication contraire, les fichiers présents dans ce dépôt sont distribués selon les termes de la licence Creative Commons Attribution 4.0 International. Voir le README pour plus de détails.

Un résumé simplifié de cette licence est disponible à https://creativecommons.org/licenses/by/4.0/.

Le texte intégral de cette licence est disponible à https://creativecommons.org/licenses/by/4.0/legalcode