Ects : 2

Enseignant responsable :

• PATRICE BERTRAND

Volume horaire : 21

Description du contenu de l'enseignement :

Ce cours présente les principales méthodes utilisées en Machine Learning pour résoudre des problèmes de régression et de classification non supervisée. Des illustrations en R seront exposées.

Pré-requis obligatoires :

Notions de base en algèbre linéaire, probabilité et optimisation numérique.

Compétence à acquérir :

• Réseaux de neurones
• Noyau reproduisant
• Machines à vecteurs support (SVM)
• Algorithmes de boosting (Adaboost et gradient boosting)

Mode de contrôle des connaissances :

Examen

Bibliographie, lectures recommandées

• T. Hastie, R. Tibshirani et J. Friedman, "The elements of Statistical Learning: Data Mining, Inference", and Prediction (2009), 2nd edition, Springer
• B. Mehlig, "Machine Learning with neural network" (2022), Cambridge University Press
• Shalev-Shwartz, S., Ben-David, S. (2014). Understanding Machine Learning - From Theory to Algorithms. Cambridge University Press