Machine learning - Théorie et algorithme

Crédit : 2 ECTS

Volume horaire

• CM : 21 h
• Volume horaire global (hors stage) : 21 h

Compétences à acquérir

• Réseaux de neurones
• Noyau reproduisant
• Machines à vecteurs support (SVM)
• Algorithmes de boosting (Adaboost et gradient boosting)

Description du contenu de l'enseignement

Ce cours présente les principales méthodes utilisées en Machine Learning pour résoudre des problèmes de régression et de classification non supervisée. Des illustrations en R seront exposées.

Mode de contrôle des connaissances

Examen

Pré-requis obligatoires

Notions de base en algèbre linéaire, probabilité et optimisation numérique.

Bibliographie, lectures recommandées

• T. Hastie, R. Tibshirani et J. Friedman, "The elements of Statistical Learning: Data Mining, Inference", and Prediction (2009), 2nd edition, Springer
• B. Mehlig, "Machine Learning with neural network" (2022), Cambridge University Press
• Shalev-Shwartz, S., Ben-David, S. (2014). Understanding Machine Learning - From Theory to Algorithms. Cambridge University Press

Enseignant responsable

PATRICE BERTRAND