Introduction au Machine learning


CPESUniversité PSL — 2018–2019, second semestre
Le vendredi de 9h à 12h15 — Salle L213, MinesParisTech

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

22 mars
Introduction — TP (correction : html, Jupyter)
29 mars
k plus proches voisins — TDTP (correction : html, Jupyter)
5 avril
Prédicteurs linéaires — TD (correction) — TP (correction : html, Jupyter)
12 avril
Validation et sélection — TP (correction: html, Jupyter)
19 avril
Régularisation — TD (correction) — TP
10 mai
Arbres de décision
17 mai
Méthodes ensemblistes
24 mai
Support vector machines
31 mai
Méthodes à noyaux
7 juin
Réseaux de neurones

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, pandas et scikit-learn.