Le machine learning est un domaine captivant. Issu de nombreuses disciplines comme la statistique, l’optimisation, l’algorithmique ou le traitement du signal, c’est un champ d’études en mutation constante qui s’est maintenant imposé dans notre société. Déjà utilisé depuis des décennies dans la reconnaissance automatique de caractères ou les filtres anti-spam, il sert maintenant à protéger contre la fraude bancaire, recommander des livres, films, ou autres produits adaptés à nos goûts, identifier les visages dans le viseur de votre appareil photo, ou traduire automatiquement des textes d’une langue vers une autre.

À la fin du cours, l'étudiant devra être capable de :

• Définir les problèmes d'apprentissage automatique de base suivants : Régression, classification, clustering (regroupement), réduction de dimensionnalité

• Expliquer les principales différences entre eux

• Mettre en œuvre des algorithmes pour ces modèles d'apprentissage automatique

• Optimiser les principaux compromis tels que le sur-apprentissage (overfitting), et le coût de calcul par rapport à la précision

• Mettre en œuvre des méthodes d'apprentissage automatique sur des problèmes du monde réel, et évaluer rigoureusement leurs performances à l'aide de la validation croisée. Expérimenter les pièges courants et comment les surmonter

• Expliquer et comprendre la théorie fondamentale présentée pour les méthodes d'apprentissage automatique

• Mener un projet d'apprentissage automatique interdisciplinaire du monde réel, en collaboration avec des experts du domaine d'application

• Définir les modèles d'apprentissage automatique de base suivants : Régression, classification, clustering (regroupement), réduction de dimensionnalité