I. Statistique
Partie 1 : Introduction à la théorie minimax
Partie 2 : Modèles paramétriques : méthode du maximum de vraisemblance, estimation bayésienne
Partie 3 : Modèles non-paramétriques : estimation d’une densité, régression non-paramétrique, méthodes à noyau, par projection et polynomiale par morceaux
II. Apprentissage automatique
Partie 1 : Classification supervisée, méthodes linéaires, régularisation, méthodes de rééchantillonnage, forêts aléatoires
Partie 2 : Classification non supervisée, K-means, k-medoids, modèles de mélanges
Partie 3 : Analyse topologique des données en apprentissage, pipeline d'apprentissage automatique