Ce cours propose une introduction large à l’apprentissage statistique et à l’apprentissage automatique. L’objectif principal est de fournir aux étudiants les connaissances nécessaires à la compréhension des méthodes relatives à l’utilisation des outils d’apprentissage automatique.
Plan du cours détaillé :
Partie 1. Introduction : Apprentissage statistique et apprentissage automatique : quoi et pourquoi ?
1.1. Definitions
1.2. Concepts initiaux
1.2.1. L’estimation de f
1.2.2. Précision vs interprétation
1.2.3. Mesures de précision
1.2.4. Fléau de la dimension
Partie 2. Méthodes supervisées : modèles de régression
2.1. Rappels sur la regression linéaire
2.2. Régression quantile
2.3. Exercices
Partie 3. Méthodes supervisées : classification
3.1. Régression logistique + Exercices
3.2. K-plus proches voisins (KNN )+ Exercices
3.3. Analyse discriminante linéaire (Linear Discriminant Analysis)
3.4. SVM
3.5. Traitement des images
3.6. Ouverture de la “boîte-noire” (Valeurs de Shapley)
Partie 4. Conclusion
Machine Learning et questions éthiques
Veuillez noter que ce cours ne présente pas de méthodes non supervisées : ces dernières sont abordées dans le cours de Pierre Michel.