🤖Apprentissage artificiel🤖

News

• 2021-09-20 Premier cours du semestre le 21/09/2022

Infos pratiques

• Quoi « Apprentissage artificiel »
• Où Salle 219, bâtiment Paul Ricœur
• Quand 8 séances, les mercredi de 9:30 à 12:30, du 20/09 au 17/11
  • Voir le planning pour les dates exactes (quand il aura été mis en ligne)
• Contact Loïc Grobol loic.grobol@parisnanterre.fr
• Évaluation Un TP noté en temps limité (date à déterminer) et un projet

Liens utiles

• Lien Binder de secours :

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 Introduction et crash course
• Solutions

Si c’était vraiment trop facile et que vous vous ennuyez, go CodinGame :

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

2022-09-27 — Modèles de langues à n-grammes

• Slides Modèles de langues
• Solutions

2022-10-05 — Évaluer des modèles de langues à n-grammes

• Slides Évaluer des modèles de langues
• Solutions

2022-10-12 — Un peu de théorie et modules indispensables

• Slides Pip et Virtualenv
• Slides Numpy

2022-10-18 — Scikit-learn et la classification

• Slides Scikit-learn

2022-10-25 — Régression Logistique

• Slides LR
• Solutions

2022-11-09 — Classifieurs usuels

Informations pour le projet (page dédiée à venir) :

• Tâche à réaliser : tâche 3 de l’édition 2009 du DÉfi Fouille de Texte (DEFT): apprentissage de classification par parti politique d’interventions au parlement européen.
• Les données sont disponibles sur le site de DEFT, leur description et celle de la tâche sur la page de l’édition 2009
• À faire : proposer un (des) classifieur(s) pour cette tâche, étudier ses (leurs) performances sur cette tâche. Comparer aux informations données dans les actes.
• À rendre : rapport sous forme d’un article court dans le style ACL (4 pages+bibliographie, format pdf, anglais ou français) décrivant le contexte de la tâche, vos expériences (méthodes et résultats) et vos conclusions. Compléter par une archive comprenant vos données et votre code.
• Projet à faire de préférence en groupe de maximum trois personnes, ou individuellement, à rendre au plus tard le 6 janvier 2023.
• L’évaluation sera faite principalement sur la qualité et la pertinence des expériences réalisées et de vos analyses.

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

Ils commencent à dater un peu, les derniers gadget de Python n’y seront donc pas, mais leur lecture reste très enrichissante (les algos, ça ne vieillit jamais vraiment).

• How to think like a computer scientist, de 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, par 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.

• Real Python, des cours et des tutoriels souvent de très bonne qualité et pour tous niveaux.
• Un bon tuto NumPy qui va de A à Z.
• 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