Fondements basiques de l'apprentissage automatique
1. Survol intuitif des concepts fondamentaux: généralisation et empirisme, biais variance, espace d'hypothèses, erreur de Bayes, fonction de perte, mesures de performances, etc.
2. Premiers pas de l'apprentissage de modèles linéaires par optimisation régularisée (via ridge et Lasso en régression, et SVM linéaire en classification) : définitions mathématiques et empiriques, mise en oeuvre de la perte à minimiser vs. la simplicité du modèle ; méthodes basiques de résolution avec et sans régularisation (solution analytique versus solution algorithmique type gradient descent et dérivées).
3. Apprentissage automatique, mathématiques & applications (systèmes de reco et SVD, ranking et marches aléatoires, etc.)
Mise en pratique & qualité
1. Protocoles expérimentaux et statistiques (métriques, estimateurs de performances, intervalles de confiance, sélection de modèle) ;
2. Programmation d'algorithmes de résolution (regréssion ridge, système de reco)
3. Observation de propriétés et phénomènes sur données artificielles et réelles (maldéiction de la dimension, convergence, stabilité, robustesse, apprenabillité)
