Module Math3-ML : Machine Learning
Table of Contents
1 Prérequis
Modules Math3-Prob2 ou Math3-Proba2* Python
2 Objectif d'apprentissage
Ce cours présente les bases pour l’apprentissage artificiel ainsi qu’un ensemble d’algorithmes. Les TP auront pour but de tester différents algorithmes sur des problèmes simples d’apprentissage à partir de librairies dédiées (Panda, Scikit Learn) et d’implémenter certains des algorithmes vus en cours (en Python).
3 Descriptions des enseignements
3.1 Bases de l’apprentissage
3.1.1 Typologie des problèmes d’apprentissage
1.1. Apprentissage supervisé 1.2. Apprentissage non supervisé 1.3. Apprentissage séquentiel (renforcement et bandits)
3.1.2 Problématiques de l’apprentissage artificiel
2.1. Espace des hypothèses 2.2. Principes inductifs : minimisation du risque empirique, maximum de vraisemblance, kolmogorov 2.3. Compromis biais-variance : erreur d'estimation vs erreur de généralisation
3.1.3 Validation d’algorithme d’apprentissage
3.1. Métriques et sur-apprentissage 3.2. Intervalles d’erreur 3.3. Validation croisée
3.2 Algorithmes d’apprentissage
3.2.1 Apprentissage d'arbres de décision
3.2.2 Apprentissage bayésien naïf
3.2.3 K plus proches voisins
3.2.4 Perceptrons et perceptrons multi-couches
3.2.5 SVM
4 Références
- Statistical Learning (Hastie & Tibshirani)