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 (arbres de décisions, kNN…), overfitting, sélection de modèles
apprentissage supervisé (modèles linéaires, ensembles, réseaux de neurones...)
apprentissage non-supervisé (clustering, visualisation..)
utilisation du machine learning en situation réelle
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 pour la résolution de problèmes simples d'analyse de données (deux projets) et à se renseigner sur un sujet d'actualité en machine learning (poster à présenter). L'examen et l'évalution continue comptent respectivement pour 70% et 30% de la note du cours.
Des références sont données pendant le cours.