Scribd
Importer
20 vues1 page

Introduction à l'apprentissage automatique

Le cours d'Introduction à l'apprentissage automatique, enseigné par le Dr. Salfo Bikienga, vise à introduire les concepts fondamentaux du Machine Learning et à offrir une expérience pratique. Les étudiants apprendront à expliquer les principes mathématiques des algorithmes, à implémenter des techniques comme l'ACP et la régression logistique, et à faire des choix éclairés sur les librairies de Machine Learning. Le cours nécessite des connaissances préalables en statistiques, analyse et algèbre linéaire, et utilise Python et R pour la programmation.

Transféré par

ouedraogoouedson
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
20 vues1 page

Introduction à l'apprentissage automatique

Le cours d'Introduction à l'apprentissage automatique, enseigné par le Dr. Salfo Bikienga, vise à introduire les concepts fondamentaux du Machine Learning et à offrir une expérience pratique. Les étudiants apprendront à expliquer les principes mathématiques des algorithmes, à implémenter des techniques comme l'ACP et la régression logistique, et à faire des choix éclairés sur les librairies de Machine Learning. Le cours nécessite des connaissances préalables en statistiques, analyse et algèbre linéaire, et utilise Python et R pour la programmation.

Transféré par

ouedraogoouedson
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Programme du cours pour Introduction à l'apprentissage automatique

Horaires et lieu : ISSP, Lundi, Mercredi, Vendredi, de 18h-21h

Enseignant : Dr. Salfo Bikienga


Contact : [email protected]

Objectif : Introduire les concepts fondamentaux de Machine Learning et fournir aux


étudiants une expérience pratique dans les applications de Machine Learning.

Description du cours : Avec la disponibilité de données massives et les récentes


avancées en puissance de calcul, le Machine Learning en tant qu'outil prédictif est de plus
en plus utilisé dans pratiquement tous les aspects de notre vie (santé, éducation, finance,
etc.). Afin d'obtenir les meilleurs résultats lors de l'application de ces outils, il est
nécessaire de bien comprendre les principes sous-jacents. Ce cours introduit les concepts
fondamentaux en classe et expose les étudiants à des applications réelles via des
problèmes de programmation bien guidés.

Objectifs : À la fin de ce cours, les étudiants devraient être capables de :

1. Expliquer les concepts de base et comprendre les principes mathématiques


derrière les algorithmes populaires de Machine Learning.

2. Dériver et implémenter des algorithmes de Machine Learning fondamentaux tels


que l'ACP et la régression logistique, et bien d’autres.

3. Faire des choix éclairés concernant l'utilisation de librairie de Machine Learning.

Prérequis : Statistiques descriptives, analyse, algèbre linéaire

Sujets : Modèles statistiques linéaires, Régularisation, Classificateurs bayésiens, Deep


Learning, Machines à vecteurs de support (SVM), Classification/arbre de décision,
Regroupement (clustering), Analyse en composantes principales (ACP), Naive Bayes

References :

• G. James, D. Witten, T. Hastie et R. Tibshirani, Introduction to Statistical Learning


with Applications in R, 2nd ed., Springer, 2021. [En ligne]

• T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, (12e


impression, 2017), 2nd ed., Springer. [En ligne]

Charge de travail : Nous allons tenter d’avoir un devoir de maison après chaque cours
(30%), des interrogations (20%), et deux examens (15% + 35 %).

La programmation sera réalisée en Python et/ou R.

Vous aimerez peut-être aussi