Machine Learning et Applications

Dans ce cours, on présentera le domaine de l’apprentissage automatique, ses fondements méthodologiques, les problèmes qu'il permet d'aborder (apprentissage supervisé/non supervisé, batch/online, réduction de dimension) et les méthodes les plus récentes qui sont utilisées. Au delà de la description des concepts théoriques (minimisation empirique du risque, complexité algorithmique), ce cours propose de nombreux travaux pratiques permettant de mettre en œuvre 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.

Les objectifs sont:

• connaître les algorithmes classiques en apprentissage supervisé et non-supervisé, réduction de dimension;
• savoir entrainer un algorithme;
• savoir résoudre un problème sur données réelles;

Semaine 1

• 4h de cours
• Supervised Learning : ERM, Bias-Variance, Classification, Logistic Regression.

Semaine 2

• dédoublé 2h CM et 2h TD
• Supervised Learning : Logistic Regression, Decision Trees, Random Forest

Semaine 3

• dédoublé 2h CM et 2h TD
• Supervised Learning : Random Forest, Bagging, Boosting

Semaine 4

• dédoublé 4h BE
• Ensemble Learning

Semaine 5

• 4h de cours
• Deep Learning : Réseau de neurones artificiels, Rétropropagation du gradient, Stochastic Gradient Descent

Semaine 6

• dédoublé 3h BE
• Deep Learning

Semaine 7

• dédoublé 2h CM et 2h TD
• Unsupervised Learning : Dimensionality Reduction

Semaine 8

• Soutenance de projets