Data mining: apprentissage

Ce cours offre un approfondissement théorique et pratique des méthodes fondamentales du Statistical et Machine Learning. Les étudiants y acquièrent les outils nécessaires pour comprendre le compromis biais-variance, maîtriser les stratégies de régularisation, construire des modèles ensemblistes performants et interpréter leurs résultats dans des contextes applicatifs — notamment en actuariat et data science. Le cours s'appuie sur des données réelles et des implémentations en Python et R.

CONTENU DU COURS

• Cadre général de l'apprentissage supervisé : risque théorique et empirique, fléau de la dimension, compromis biais-variance, validation croisée et sélection de modèle.
• Régularisation et sélection de variables : régression Ridge, Lasso et Elastic Net ; applications en grande dimension.
• Méthodes arborescentes : arbres de décision (algorithme CART), élagage, critères d'impureté ; Bootstrap et Bagging ; Forêts Aléatoires (Random Forests) et importance des variables.
• Méthodes ensemblistes séquentielles : AdaBoost, Gradient Boosting, XGBoost et LightGBM ; régularisation, early stopping ; SHAP values et interprétabilité.
• Introduction aux réseaux de neurones : perceptron multicouche, rétropropagation, régularisation (dropout, batch normalization.
• Applications métier : tarification en assurance, détection de fraude.
  

• Analyser la structure d'un jeu de données pour identifier les défis algorithmiques et choisir une stratégie de modélisation adaptée.
• Maîtriser le cadre théorique du compromis biais-variance et des techniques de régularisation.
• Sélectionner et justifier la méthode d'apprentissage supervisé la plus appropriée à un problème donné, en tenant compte des contraintes de performance et d'interprétabilité.
• Implémenter de manière autonome les algorithmes du cours en Python ou R.
• Évaluer et comparer rigoureusement les modèles via des protocoles de validation croisée et des métriques adaptées.
• Interpréter les résultats d'un modèle complexe.

Modalités : CC
SESSION 1 :
Contrôle Continu
• Type : Écrit, Dossier
• Durée :

Régime Dérogatoire
• Type : Écrit, Dossier
• Durée : 2h00

SESSION 2 :
• Type : Écrit
• Durée : 2h00

Utilisation de l'intelligence artificielle :
Dans le cadre de cet EC, l’usage de l’IA pour aider à la réalisation des travaux de contrôle continu soumis à évaluation est interdit. Vous n’avez pas le droit de faire appel à une IA générative à des fins de documentation, recherche d’idées, construction, rédaction ou édition (hors usages de recherche web augmentée, de correction orthographique et syntaxique).