Machine learning et 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. En premier lieu, 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)

Ensuite, l’étudiant sera confronté aux problèmes qui se posent en pratique :

• identification des risques (pré-analyse des données en lien avec risques potentiels)

• analyse de modèles (interprétabilité, feature importance, instance importance)

• préparation de features (réduction de dimensionalité, feature selection, feature extraction...)

• préparation des données (centrage + scaling, outlier detection…)