Machine learning

Description

Objectifs

A la fin de ce module, l'étudiant.e devra avoir compris et pourra expliquer (principaux concepts) :

- Les propriétés des principales méthodes d'apprentissage et leurs limites.
- Le principe du compromis biais-variance, de la sélection de modèles
- Les algorithmes et les méthodes d'estimation d'un risque (validation croisée, bootstrap..)
- L'optimisation et l'implémentation des principales méthodes en R et Python (Scikit-learn).
- Les principes éthiques et juridiques de l'Intelligence Artificielle. 

L'étudiant.e devra être capable de :

- Analyser des jeux de données issus de divers domaines (météorologie, industrie, IoT ...) avec les librairies de R et Python.
- Mettre en œuvre les principales méthodes et exécuter les algorithmes d'apprentissage suivants : analyse discriminante, k plus proches voisins, arbres de classification et de régression, forêts aléatoires, réseaux de neurones, SVM, boosting.  
- Optimiser les valeurs des hyper-paramètres, automatiser la chaîne des traitements.
- Optimiser la gestion des données manquantes.
- Détecter les failles légales ou éthiques (biais, discrimination, opacité) des algorithmes d'apprentissage automatique.

Pré-requis

Éléments de Modélisation statistique

Introduction aux langages R et  Python

Évaluation

L’évaluation des acquis d’apprentissage est réalisée en continu tout le long du semestre. En fonction des enseignements, elle peut prendre différentes formes : examen écrit, oral, compte-rendu, rapport écrit, évaluation par les pairs…