Approfondissements en machine learning

Ce cours vise à approfondir les techniques de Machine Learning. Il aborde la notion de malédiction de la dimension, les techniques de rééchantillonnage et d'agrégation de modèle visant à améliorer l'apprentissage ainsi que l'apprentissage profond.

Compétences attendues :

• Comprendre le dilemme biais/variance;
• Comprendre les différences parmi les approches du machine learning;
• Connaître les principaux algorithme d'optimisation.

Thématiques abordées :

• Réduction de la dimension (PCA, ICA, régression ridge, lasso);
• Algorithmes de rééchantillonnage : boosting, bootstrap, adaboost;
• Arbres de décision, forêts aléatoires;
• Réseaux de neurones, apprentissage profond, apprentissage par renforcement.

Savoir choisir une méthode d'apprentissage en fonction de l'architecture des données; savoir mettre en oeuvre la méthode choisie et évaluer ses performances, à travers des librairies R ou Python.

Contrôle continu comprenant, d'une part, la restitution d'un travail sur projet par rapport écrit et, d'autre part, une soutenance orale.