Ce cours vise à fournir une compréhension fondamentale des concepts clés de l'apprentissage automatique et de ses applications pratiques.
Contenu :
- Introduction générale à l'apprentissage automatique
- Evaluation et validation des modèles d'apprentissage
- Apprentissage statistique, généralisation et compromis biais-variance
- Apprentissage supervisé : classification et régression
- Régression linéaire par moindres carrées, régression ridge et Lasso
- Classification linéaire : perceptron et machines à vecteurs de support (SVM)
- Classification non linéaire : arbres de décision, classification par les k-plus proches voisins et SVM à noyaux
- Classification multiclasse
- Apprentissage non-supervisé
- Algorithmes EM et K-means
