Cette UE présente les concepts fondamentaux de l’apprentissage statistique et les principaux modèles et algorithmes de ces dernières décades. Le cours aborde la classification supervisée (Nadaraya-Watson, k-NN, modèles linéaires, SVMs, bagging, boosting, …), la classification non supervisée (clustering hiérarchique, spectral, réduction de dimensions, méthodes variationnelles…) et une introduction à l’apprentissage par renforcement. Il vise à donner une compréhension en profondeur du domaine autant d’un point de vue théorique que appliqué. Les bases mathématiques nécessaires à la compréhension des approches présentées sont également abordées (descente de gradient, optimisation lagrangienne, méthodes à noyaux, factorisation de matrice, …). Les travaux dirigés permettent d’appréhender et de manipuler les concepts théoriques, les travaux pratiques sont l’occasion d’implémenter les algorithmes étudiés ainsi que de les expérimenter et d’analyser leurs forces et faiblesses.. Ils permettent également de se familiariser avec les applications habituelles de l’apprentissage statistique sur différents types de données (tabulaires, structurées, séries temporelles, …).
Informations
- Période: M1 S2
- Langue: français
- Crédits: 6 ECTS