Descriptif :
L’objectif de cette ressource est de comprendre les principales méthodes d’apprentissage automatique supervisé, connaître
leurs implémentations et savoir en interpréter les résultats.
Contenus :
- Définir les objectifs des méthodes apprentissage supervisé
- Déroulement d’une procédure d’apprentissage automatique supervisé (échantillons d’apprentissage, développement, test, ...)
- Arbres de décisions CART (classification et régression) Analyse discriminante linéaire dont le cas du Classifieur Bayesien naïf
- Méthode des K plus proches voisins
- Applications sur variable-cible binaire ou multi-classes.
- Traitement des variables qualitatives. Cas de fichiers mixtes.
- Évaluation et comparaison des modèles (mesures d’évaluation, validation croisée, bootstrap)
La mise en œuvre des méthodes se fera avec des Notebooks en Python.
Apprentissages critiques ciblés :
- AC32.01 | Prendre conscience des différences entre des outils statistiques pour choisir le plus adapté
- AC32.02 | Saisir l’importance de la mise en œuvre de méthodes adaptées à des domaines et des données spécifiques (Marketing, Biostatistique, Statistique spatiale, Gestion . . . )
- AC32.04 | Comprendre les mécanismes de bases de l’intelligence artificielle (apprentissage statistique supervisé, échantillons d’apprentissage et échantillons de test. . . )
Mots clés : Apprentissage supervisé – machine learning – modèles prédictifs – classement
Volume horaire : 29 heures dont 10 heures de TP
- Professor: Astrid Jourdan