Machine learning dans un contexte aéronautique

Jour 1

• Introduction et motivation
  • Qu’est-ce que le machine learning ?
  • Pourquoi le machine learning marche-t-il ? Exemples d’applications classiques et récentes
  • Potentielles applications dans le monde aéronautique
• Généralités sur le machine learning
  • Supervisé vs. Non supervisé
  • Panorama des algorithmes de machine learning, construction pratique
  • Préparation des données et visualisation, techniques de réduction de variance
  • Zoom sur le non supervisé
• Méthodes non paramétriques
  • Naive Bayes, Decision Trees, Random Forest
  • Boosting, Adaboost
• Modèles linéaires
  • Régression linéaire classique, leviers, régression linéaire orthogonale
  • Techniques modernes de régularisation
  • Régression logistique, modèles linéaires généralisés
• Mise en pratique en Python
  • Présentation des principaux modules Python, modèles linéaires

Jour 2

• Plans d’expériences numériques et analyse de sensibilité
• Krigeage (Gaussian Process)
  • Origine géostatistique, lien avec les processus gaussiens
  • Description des différents krigeages
  • Mise en pratique en Python
• Réseaux de neurones
  • Origine et lien avec l’intelligence artificielle
  • Zoom sur le perceptron multicouche : construction pratique
  • Mise en pratique en Python
• Réseaux de fonctions de bases radiales (RBF)
  • Principes et motivation – Propriétés
  • Stratégies de réglage des hyperparamètres
• Machines à vecteurs de support (SVM)
  • Principes généraux, exemples d’application en classification
  • Mise en pratique en Python

Jour 3

• Processus gaussiens et Optimisation bayésienne
  • Extension aux données multi-fidélité, stratégie d’optimisation globale
  • Mise en pratique en Python
• Deep Learning
• Mise en pratique sur un use-case aéronautique