Ects : 9

Description du contenu de l'enseignement :

• Introduction au Machine Learning (apprentissage supervisé)
  • K plus proches voisins
  • Arbre de décision
• Méthodologie
  • Notion sur sur-apprentissage
  • Validation croisée / Bootstrap
• Méthodes ensemblistes
  • Bagging
  • Random Forests
  • Boosting
• Support Vector Machine et méthodes à noyaux
• Deep Learning
• Données déséquilibrées
  • Area Under Curve (AUC) et autres mesures de qualité
  • Stratégies d’apprentissage
• Apprentissage non-supervisé
  • Classification non supervisée (clustering)
  • Recherche de schémas fréquents et de points aberrants

Pré-requis recommandés :

Algorithmique et programmation ainsi que Data Management sous Python

Coefficient : 3

Compétence à acquérir :

• Comprendre les principes algorithmiques des techniques de Machine Learning
• Sélectionner et paramétrer une technique d’apprentissage adaptée à une problématique décisionnelle
• Réaliser des prédictions et des classifications à partir de données massives structurée et non-structurées

Mode de contrôle des connaissances :

Examen en salle machine plus contrôle continu (en option)

Bibliographie, lectures recommandées

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition par Aurélien Géron, Released September 2019, O'Reilly Media, Inc.