Ects : 4

Enseignant responsable :

• GABRIEL TURINICI

Volume horaire : 39

Description du contenu de l'enseignement :

• 1 Examples and machine learning framework: applications, supervised and non-supervised learning
• 2 Useful theoretical objects: predictors, loss functions, bias, variance
• 3 K-nearest neighbors (k-NN); Higher dimensions and Curse of dimensionality
• 4 Linear and logistic models in high dimensions, regularization: ridge, lasso
• 5 Stochastic Optimization Algorithms: SGD, Momentum
• 6 Naive Bayesian classification
• 7 Neural networks : theoretical and practical aspects
• 8 K-means

Pré-requis obligatoires :

Probabilités ( y compris "Espérance conditionnelle" ), statistiques ( Niveau L3 ), analyse numérique

Coefficient : cf. CC

Compétence à acquérir :

Connaître les bases de l’apprentissage statistique, en particulier dans un contexte de grande dimension, incluant les "neural networks".

Mode de contrôle des connaissances :

cf. CC

Bibliographie, lectures recommandées

See site of the course (site of the teacher); also see textbook by G. Turinici (cf. Amazon)

En savoir plus sur le cours