Apprentissage Automatique

Machine Learning

Yaé Ulrich Gaba

L3-M1 12 chapters FR + EN

Survolez ou touchez pour voir le résumé

En bref · In brief

Français

Fondements théoriques et pratiques du machine learning : modèles supervisés (régression, classification, SVM, arbres, ensembles), apprentissage non supervisé (clustering, réduction de dimension), apprentissage bayésien et noyaux. Accent sur la théorie de la généralisation.

English

Theoretical and practical foundations of machine learning: supervised models (regression, classification, SVMs, trees, ensembles), unsupervised learning (clustering, dimensionality reduction), Bayesian methods, and kernels. Focus on generalization theory.

Table des matières

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

Apprentissage Automatique

En bref · In brief

Table des matières

Prérequis