Apprentissage automatique et applications

Résumé global

Cours d’introduction avancée à l’apprentissage automatique, couvrant à la fois des approches causales et non causales ainsi que les bases de l’apprentissage profond. Le cours vise à appliquer des algorithmes de machine learning à différents types de données, à comprendre les enjeux d’entraînement et de validation des modèles, et à explorer des méthodes modernes orientées données.

Technologies utilisées

Notions vues dans ce cours

• Cadre théorique et pratique de l’apprentissage automatique
• Historique des probabilités
• Introduction au raisonnement causal
• Découverte causale
• Utilisation de modèles causaux sur les données
• Apprentissage automatique non causal
• Apprentissage automatique causal
• Entraînement et validation de modèles
• Méthodes basées sur les données
• K plus proches voisins (KNN)
• Régression linéaire
• Régression linéaire généralisée
• Machines à vecteurs de support (SVM)
• Mixtures de gaussiennes
• Processus gaussiens
• Méthodes à noyaux
• Application de modèles à différents types de données
• Introduction aux algorithmes d’apprentissage profond
• Projet final appliqué sur données réelles

Travaux et éléments évalués

• TP1 sur une problématique orientée causalité
• Sélection et description d’un jeu de données
• Présentation d’une méthode causale
• Examen intra
• Projet final avec présentation