UE Apprentissage statistique 2

Le cours d’Apprentissage Statistique II est un cours d'introduction à l'apprentissage supervisé par la pratique, dans un environnement python. Il s’inscrit dans la continuité du cours Apprentissage Statistique I et vise à rendre les étudiants autonomes pour mettre en oeuvre différents algorithmes d’apprentissage supervisé dans les environnements scikit-learn et keras / tensorflow.

Après avoir évoqué les fondements théoriques de l’apprentissage supervisé et la démarche générale à suivre pour déployer ce type d’algorithmes dans l’environnement scikit-learn, nous étudierons quelques algorithmes clés tels que les arbres de décisions, les forêts aléatoires, les machines à vecteur de support (SVM) et les méthodes pénalisées au sens large. Nous aborderons ensuite le cadre des méthodes dites de « deep learning » basées sur le formalisme des réseaux de neurones, en étudiant différentes architectures telles que les perceptrons multi-couches, les réseaux à convolution et les réseaux récurrents, que nous mettrons en oeuvre dans un environnement keras / tensorflow.

Cours de niveau M1 SSD d’Apprentissage Statistique I et de logiciels spécialisés (introduction à python).

• Appréhender concepts et fondements théoriques de l’apprentissage supervisé.
• Connaître en détail quelques algorithmes clés
• Savoir les mettre en oeuvre sur données réelles
• Etre autonome dans les environnements scikit-learn et keras / tensorflow

• Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning (Vol. 1, No. 10). New York: Springer series in statistics.
• Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media.
• Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342.