Méthodes et outils modernes pour l’apprentissage de modèles statistiques à partir de données et l’aide à la décision. L'UE sensibilise les étudiants aux différents problèmes qui se posent lorsqu’on cherche à extraire des connaissances dans les données pour résoudre des tâches de classification, d’estimation de densité de probabilité, et de régression. En TP, les étudiants se familiarisent avec Python et scikit-learn.
- Apprentissage supervisé, non-supervisé (classification automatique) et estimation de densité.
- Principes généraux de l’estimation statistique.
- Arbres de décision et forêts aléatoires,
- Séparateurs à Vaste Marge (SVM)
- Bootstrapping, Bagging, Boosting
- Applications biologie, maintenance prédictive, marketing, business intelligence etc.
- Prédiction de séries chronologiques
Problèmes liés au passage à l’échelle seront abordés.
