M2 MM – Algorithmes Stochastiques

Déroulement des séances

16/09 – Introduction à Python

• COURS/TP : notebook (à ouvrir avec Jupiter Notebook) + fichier de données
• Exercices supplémentaires

23/09 – Gradient stochastique

• TP : notebook (à ouvrir avec Jupiter Notebook) + fichiers de données

30/09 – Fin du TP gradient stochastique – Rappels sur l’EMV et mixtures gaussiennes

07/10 – Mixtures gaussiennes et EM

• TP : notebook mixtures

14/10 – EM et convergence

• TP :SEM_EM.

21/10  – EM sur données réelles (TP à rendre pour après les vacances)

• TP données réelles

08/11  – Simulation de variables aléatoires

• TP introduction simulation de variables

18/11 et 22/11 – Rappels sur les chaînes de Markov et MCMC

• TP intro MCMC

 

BIBLIO

C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

Validation du cours

La validation du cours se fera par le rendu de certains TP et un examen écrit final.

Liens pour Python

• Python : https://docs.python.org/2/tutorial/
• NumPy : http://docs.scipy.org/doc/numpy/reference/
• ScipyStats : http://docs.scipy.org/doc/scipy/reference/tutorial/stats.html
• Matplotlib : http://matplotlib.org/users/pyplot_tutorial.html
• NumPy user guide (pdf) : https://docs.scipy.org/doc/numpy-1.8.0/numpy-user-1.8.0.pdf
• Matplotlib user guide (pdf) : http://matplotlib.org/Matplotlib.pdf
• scikit-learn : http://scikit-learn.org/stable/
• SymPy : http://www.sympy.org/fr/index.html
• Anaconda (distribution contenant les interfaces dedéveloppement Spyder et Jupyter) : https://www.continuum.io/downloads
• Un cours de l’X : http://www.cmap.polytechnique.fr/~gaiffas/intro_python.html
• Un cours du lycée Saint Louis : http://mathprepa.fr/python-project-euler-mpsi/
• Un cours de l’INRIA : http://www.labri.fr/perso/nrougier/teaching/index.html
• Un cours d’Orsay : http://www.iut-orsay.u-psud.fr/fr/specialites/mesures_physiques/mphy_pedagogie.html