Plan de l'UE :
● Tour d’horizon des problèmes & types d’apprentissage (supervisé/non supervisé, classification/régression, single/multi output, statistiques ou non, etc.).
● Principaux modèles et algorithmes d’apprentissage supervisé (modèles linéaires, réseaux de neuronnes, arbres de décision, Bagging, Random Forest, Boosting) et d’apprentissage non supervisé (K-means, clustering hiérarchiques, etc.)
● Les concepts importants préparation de données, critères de performance, overfitting, dilemme biais-variance, validation croisée, données déséquilibrées, données manquantes, ingénieurie des variables, etc.
● Sélection de variables
● Text Mining : Préparation de données, TF-IDF, SVD, etc.
● Mise en pratique sur des jeux de données avec scikit-learn sous Python sur des cas d'études réels.
