A l'issue du cours, l'étudiant devra pouvoir faire preuve d'une compréhension des différents thèmes abordés (cf. contenu), c'est-à-dire être capable d'exprimer avec ses propres mots la théorie et les méthodes vues au cours et expliquer dans quel contexte celles-ci sont utiles. Il doit également être capable de mettre en oeuvre les techniques vues au cours sur des problèmes simples d'analyse de données et de se documenter sur une question d'actualité en machine learning et de data mining.
Le cours introduit au machine learning et au data mining et permettra à l’étudiant d’attaquer une large palette de problèmes en data science. Les sujets suivants seront abordés :
notion de modèle, modèles simples (Dts, kNN…), overfitting, sélection de modèles
apprentissage supervisé (modèles linéaires, ensembles, réseaux de neurones, SVMs...)
apprentissage non-supervisé (clustering, visualisation, estimation de densité...)
apprentissage probabiliste (inférence probabiliste et modèles probabilistes)
Le cours est divisé en deux activités d'apprentissage. La première est constituée des cours magistraux et est évaluée par un examen oral portant sur la théorie du cours. La seconde est une évaluation continue de la capacité des étudiants à mettre en oeuvre les techniques vues au cours et de se documenter sur une question d'actualité en machine learning. Cela consiste en la résolution de des problèmes simples d'analyse de données et en une présentation orale sur un sujet d'actualité. L'examen et l'évalution continue comptent respectivement pour 70% et 30% de la note du cours.
Des références sont données pendant le cours.