Introduction au Machine Learning

Informations

Objectifs

• Savoir réaliser l’analyse exploratoire, la visualisation et la description des données
• Savoir identifier différentes catégories de problèmes d'apprentissage statistique
• Savoir utiliser des algorithmes d’optimisation et les outils logiciels pour résoudre ces problèmes d’apprentissage statistique et de traitement de données
• Savoir évaluer les algorithmes d'apprentissage et sélectionner le modèle adéquat

Capacités enseignées

• Référentiel INSA :
  • Concevoir un système d'ingénierie des données [3P]
  • Optimiser un modèle [3P]
• Référentiel CNISF :
  • J10P [2P]
  • J40K [1P]

Programme

• Concepts de l'apprentissage statistique
• Outils d'optimisation pour l'apprentissage statistique
• Apprentissage non-supervisé : Analyse en Composantes Principales (ACP), méthodes de clustering (Classification Hiérarchique Ascendante , K-Means, Modèles de mélanges)
• Apprentissage supervisé : Décision Bayésienne, Régression logistique, SVM linéaire, notions de généralisation, sélection de modèle
• Apprentissage à large échelle

Pré-requis

Notions de base en Statistiques et en programmation sous Matlab

Bibliographie

• Christopher Bishop, Pattern Recognition and Machine Learning, 2006
• Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning (Data Mining, Inference, and Prediction), 2009
• Richard Duda, Peter Hart, David Stork, Pattern Classification,

Méthode d'évaluation

• Examen théorique : 50%
• Examen machine : 50%