Introduction au Machine learning
CPES — Université PSL — 2022–2023, second semestre
Le mercredi de 9h à 12h — Salle 5, Bâtiment Logos, Campus Jourdan
Ce cours présente les notions et algorithmes de base de
l'apprentissage supervisé. Il comporte un volet pratique avec de la
programmation en Python et la librairie scikit-learn en particulier.
Calendrier, énoncés et corrections
- 17 mars
- Introduction — TP (correction : html, jupyter)
- 24 mars
- k plus proches voisins — TD (correction) — TP (correction : html, jupyter)
- 31 mars
- Prédicteurs linéaires — TD (correction) — TP (correction: html, jupyter)
- 7 avril
- Validation et sélection — TP (correction: html, jupyter)
- 14 avril
- Régularisation — TD (correction) — TP (correction: html, jupyter)
- 21 avril
- Support vector machines — TD (correction) — TP (correction: html, jupyter)
- 28 avril
- Méthodes à noyaux – I — TD (correction) — TP (correction: html, jupyter)
- 12 mai
- Méthodes à noyaux – II — TD (correction) — TP (correction: html, jupyter)
- 26 mai
- Arbres de décision et méthodes ensemblistes — TD (correction) — TP (correction: html, jupyter)
- 2 juin
- Examen (Énoncé 2022 — correction)
Références
- Shalev-Shwartz, S., & Ben-David, S. (2014), Understanding machine learning: From theory to algorithms, Cambridge university press — pdf — Excellente référence, assez théorique et mathématique.
- Trevor, H., Robert, T., & JH, F. (2009), The elements of statistical learning: data mining, inference, and prediction, Springer-Verlag New York — pdf — Un grand classique.
- VanderPlas, J. (2016), Python data science handbook: essential tools for working with data, O'Reilly Media, Inc. — pdf — Excellente référence sur les librairies
numpy,matplotlib,pandasetscikit-learn.