Compléments de mathématiques 2

Ce cours est une introduction à l’apprentissage automatique machine learning), branche de l’intelligence artificielle qui utilise des approches mathématiques et statistiques pour donner à des machines la capacité d'«apprendre» à partir de données d’entrées. Nous y étudions le principe de l’apprentissage supervisé et non-supervisé, ainsi qu’un ensemble d’algorithmes issus de chaque catégories (K plus proches voisins, arbres CART, k-means, CAH ...). Nous réalisons un ensemble de TP, visant à mettre en application les notions vues en cours magistral sur des cas concrets pour apprendre à manipuler les outils principaux de la science des données et de l’apprentissage automatique dans le langage Python.

Comprendre les problématiques de l’apprentissage automatique ; Comprendre les objectifs de l’apprentissage supervisé et non-supervisé et pouvoir expliquer les algorithmes  relevant de ces catégories ; Savoir appliquer des algorithmes d’apprentissage automatique sur des cas pratiques.

Souhaité : Python 

Comprendre le principe de l’apprentissage supervisé et non-supervisé ; Savoir mettre en pratique des algorithmes d’apprentissage machine sur des cas concrets à l’aide du langage Python.

Pattern Recognition And Machine Learning, Christopher M. Bishop , 2011.

Classification and Regression Trees, Leo Breiman, 2017.

Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, Alice Zheng, 2018.