[ИАД, весна 2026] Введение в машинное обучение. Лекция 10: Эволюционные методы машинного обучения

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours offre une perspective historique rare sur les contributions soviétiques, souvent ignorées, et relie des concepts théoriques fondamentaux (VC dimension, régularisation) à des applications pratiques. L’argumentation est solide, s’appuyant sur des démonstrations formelles et des exemples concrets. L’enseignant prend soin de justifier chaque concept et de montrer ses implications. La progression est logique, des fondements théoriques aux méthodes pratiques.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les références à Ivakhnenko, Vapnik et Chervonenkis sont exactes et contextualisées. Les explications sur les critères externes et la régularisation sont précises. Le titre est en adéquation avec le contenu. Cependant, certaines affirmations historiques (comme la première deep neural network) pourraient être nuancées, et le cours ne fournit pas de sources bibliographiques détaillées dans la description. La qualité des sources est donc correcte mais perfectible.

Le titre correspond parfaitement au contenu : il s'agit bien d'une introduction aux méthodes évolutionnaires en apprentissage automatique, dans le cadre d'un cours universitaire.

8/10

Cours universitaire structuré, s'appuyant sur des références historiques et théoriques solides (Ivakhnenko, Vapnik-Chervonenkis). Exposé clair et pédagogique, avec des démonstrations formelles. Quelques approximations dans les explications, mais globalement fiable.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 02:00Introduction : rappel des écoles scientifiques et présentation du plan de la leçon.
• 05:00Historique : Alexeï Ivakhnenko et la méthode des groupements argumentés (MGA).
• 10:00Critères internes vs externes : explication du biais des critères internes.
• 15:00Présentation des travaux de Vapnik et Chervonenkis : dimension VC et risque structurel.
• 20:00Régularisation comme critère externe : L0, L1, L2 et leurs liens avec la sélection de modèles.
• 30:00Sélection de caractéristiques : problème NP-difficile et heuristiques.
• 40:00Méthodes évolutionnaires : algorithmes génétiques et optimisation multi-objectifs.
• 50:00Régression symbolique et programmation génétique.
• 1:00:00Exemples d'application et discussion sur les critères multiples.
• 1:10:00Conclusion et perspectives pour la prochaine leçon sur le compositionnisme.

• Pedro Domingos, 'The Master Algorithm' — Référence à la classification des écoles de machine learning.
• Alexey Ivakhnenko, 'Heuristic self-organization in problems of engineering cybernetics' — Travaux fondateurs sur la méthode des groupements argumentés.
• Vapnik & Chervonenkis, 'On the uniform convergence of relative frequencies of events to their probabilities' — Théorie statistique de l'apprentissage et dimension VC.
• Akaike, 'Information theory and an extension of the maximum likelihood principle' — Critère d'information d'Akaike (AIC).
• Schwarz, 'Estimating the dimension of a model' — Critère d'information bayésien (BIC).

• Pedro Domingos, 'The Master Algorithm' — Classification des écoles de machine learning, mentionnée dans le cours.
• Vapnik, 'The Nature of Statistical Learning Theory' — Ouvrage de référence sur la théorie statistique de l'apprentissage.