ML 1

Apprentissage automatique 1

Description : Ce cours donne le cadre général de l’apprentissage automatique, permettant de situer les différentes approches du domaine. Sont abordés les notions de prétraitement des données, une introduction à la théorie de l’apprentissage statistique (risques, sur-apprentissage, proxys convexes, régularisation), la différence entre approches fréquentistes et bayésiennes, les paradigmes d’apprentissage supervisé, non-supervisé, semi-supervisé, et par renforcement. Quelques approches sont détaillées (méthodes à Noyaux, SVM, Boosting, Bagging, Arbres de décision…).

Acquis d’apprentissage : À l’issue de ce cours, les élèves sauront reconnaître dans le paysage des nombreuses méthodes disponibles sur l’étagère les différentes classes d’algorithmes. Ils auront de plus les notions statistiques qui leur permettront un usage raisonné de ces méthodes, évitant ainsi une approche boîte noir avec essai des paramètres à l’aveugle.

Modalités d’évaluation : Examen écrit de 2h, rattrapable.

Compétences évaluées :

• Recherche et Développement
• Développement

Responsable de cours : Hervé Frezza-Buet

Identifiant Geode : 3MD1540