Acquis d'apprentissage

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.

Contenu

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)

Méthode d'évaluation

Examen écrit avec défense orale

Sources, références et supports éventuels

Géron, A. (2023). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Third edition. O'Reilly Media, Inc.

Langue d'instruction

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