Ce cours apparaît dans les formations suivantes :
• Ecole Du Numérique (EDN) - Master 1 Data & Intelligence Artificielle - S2 - 2 ECTS

Pré requis

Connaissances de base en programmation en python et connaissances mathématiques (algèbre, probabilité et statistique)

Objectifs du cours

Comprendre et mettre en œuvre les différentes approches d’apprentissage automatique.

Utiliser les bibliothèques Python pour l’apprentissage automatique.

Résoudre des cas pratiques à l'aide de diverses techniques d’apprentissage automatique.

Contenu du cours

Introduction à l’apprentissage automatique

• Cycle de vie des données


• Machine Learning VS Data Science


• Applications

Rappel Python, Jupyter Notebook, Google Colab

Apprentissage Supervisé et Non Supervisé

• Données et étiquetage


• Transformation et Regroupement (clustering)


• Modèles d’apprentissage non supervisé


• Classification et Régression


• Modèles d’apprentissage supervisé


• Entrainement et test


• Métriques d’évaluation, matrice de confusion

Etudes de cas

Ouverture :

• Notions sur les réseaux neuronaux et l’apprentissage profond


• Notions sur l’apprentissage par renforcement

Modalités d'enseignement

Organisation du cours

Cours de 25H

Méthodes pédagogiques

Évaluation

Contrôle continu : coeff. 1

Bibliographie

• Introduction au Machine Learning. Chloé-Agathe Azencott, Dunod, 2019