Machine learning and data mining
- Code de l'UE ICYBM101
-
Horaire
30 15Quadri 1
- Crédits ECTS 5
- Langue
- Professeur Beuls Katrien
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.
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. Quatre sujets sont abordés en machine learning :
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)
Examen écrit avec défense orale
Géron, A. (2023). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Third edition. O'Reilly Media, Inc.
Formation | Programme d’études | Bloc | Crédits | Obligatoire |
---|---|---|---|---|
Master 120 en cybersécurité, à finalité spécialisée | Standard | 0 | 5 | |
Master 120 en cybersécurité, à finalité spécialisée | Standard | 1 | 5 |