Objectif

Introduire aux concepts de base et aux techniques d’apprentissage automatique.

Contenu

Concepts clés, applications et techniques de l’apprentissage automatique. Formulation des problèmes d’apprentissage automatique correspondant à différentes applications, et développement de modèles pour résoudre ces problèmes. Entrées (concepts, instances, attributs, types des données et leur préparation). Sorties et représentation des connaissances (itemsets, règles d’association, patrons fréquents, classes, groupes). Prétraitement des données, réduction de la dimensionnalité, et sélection de caractéristiques/variables, Types d’apprentissage (entre autres : supervisé, non supervisé, semi-supervisé, par renforcement). Regroupement. Arbres de décision. Forêts aléatoires. Régression (logistique, linéaire, multiple, arbres de régression). Apprentissage d’ensemble (« boosting », « bagging », « stacking »), fédéré, par transfert, profond, et incrémental. Surapprentissage et sous apprentissage. Évaluation des modèles résultants d’un processus d’apprentissage automatique.

Formules pédagogiques

Leçons magistrales, travaux pratiques, exercices, étude de cas.