Objectifs de l'enseignement : L’objectif est d’appréhender les premières bases, connaissances et outils nécessaires à l’analyse de données et à l’apprentissage automatique.
Plan du cours :
Introduction Machine Learning (différences supervisé / non supervisé) - but ; Nettoyage, formatage (valeurs manquantes), filtrage de données ; découpage ; réduction de dimensions ; Statistiques (corrélations, testes) ; Visualisations
Intro / Mise à niveau algèbre linéaire ; Régression linéaire (une variable vers plusieurs variables) ; Modèle généralisé
Régression logistique ; Régularisation
Classification SVM (2 classes ; multiclasses)
Compétences à acquérir
A l’issue du module l’étudiant doit être capable de /d’ :
produire une étude descriptive ;
utiliser des méthodes de visualisation pour l'analyse de données ;
appliquer les méthodes classiques de régression et classification ;
Langue(s) d'enseignement
Français
Bibliographie
Yu-Wei Chiu (2015). Machine Learning with R Cookbook.
Ethem Alpaydin (2004). Introduction to Machine Learning
Peter Flach (2012). Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Prérequis recommandés
Calcul matriciel, algèbre linéaire, langages R et Pyhton
Modalités d'organisation
15h Cours, 15h TD, Outils support à l’enseignement (RStudio, Python – Anaconda, Weka)