Apprentissage Automatique

Description

Ce cours couvre les fondements théoriques et pratiques de l’apprentissage automatique. On y étudie les modèles supervisés (régression, classification, SVM, arbres, méthodes d’ensemble), l’apprentissage non supervisé (clustering, réduction de dimension), l’apprentissage bayésien et les méthodes à noyaux, avec un accent sur la théorie de la généralisation.

Table of Contents

1. Chapter 1 Introduction à l’apprentissage automatique
2. Chapter 2 Régression Linéaire et Polynomiale
3. Chapter 3 Classification — Régression Logistique, k-NN, Naïve Bayes
4. Chapter 4 Régularisation — Ridge, Lasso, Elastic Net
5. Chapter 5 Machines à Vecteurs de Support (SVM)
6. Chapter 6 Arbres de Décision
7. Chapter 7 Méthodes d’Ensemble — Bagging, Boosting, Random Forests
8. Chapter 8 Apprentissage non supervisé — Clustering
9. Chapter 9 Réduction de dimensionnalité — PCA, t-SNE, UMAP
10. Chapter 10 Apprentissage bayésien
11. Chapter 11 Sélection de Modèles et Théorie de l’Apprentissage
12. Chapter 12 Méthodes à Noyaux

Prerequisites

Algèbre linéaire, probabilités et statistiques, programmation Python.

Download