Machine Learning et Applications

Dans ce parcours, on présentera le domaine de l’apprentissage automatique, ses fondements, les problèmes qu'il permet d'aborder (apprentissage supervisé/non supervisé, batch/online, etc.) et les méthodes les plus récentes qui sont actuellement étudiées. Au delà de la description des concepts théoriques (minimisation empirique du risque, complexité combinatoire, etc.), ce module propose de nombreux travaux pratiques permettant de mettre en œuvre numériquement les méthodes abordées (algorithme classiques, validation croisée, etc.) et d’expérimenter certains phénomènes tels que le sur/sous apprentissage. Ces travaux seront réalisés en Python, et requerront de la programmation et l’utilisation de packages dédiés.

Théorie de la Décision, Classification et Régression linéaire ; Régression Logistique et Analyse Discrimante ; Validation Croisée, Classification multiclasse ; Arbres de Décision, Forêts, Boosting et Bagging ; Deep Learning ;