L'apprentissage statistique occupe une place centrale dans de nombreux domaines, aussi bien du côté académique qu'industriel. De nombreuses méthodes ont été développées au fil du temps, permettant de répondre à une large gamme de problématiques. Ces dernières années ont par ailleurs vu le retour en grâce des réseaux de neurones dont le pouvoir prédictif a été démultiplié par l'évolution de la puissance de calcul des ordinateurs.
Cette UE propose un tour d'horizon des principaux modèles utilisés en apprentissage, ainsi qu'une première prise en main de quelques méthodes incontournables.
La première partie du cours proposera dans un premier temps une introduction à la classification non supervisée. Un tour d'horizon des principales approches utilisées dans ce contexte sera proposé : k-means, classification hiérarchique, modèles de mélange gaussiens et algorithme EM. Dans un second temps, nous nous intéresserons à des problématiques de classification supervisée en présentant des méthodes telles que les k plus proches voisins, méthodes SVM, régression logistique, réseaux de neurones, etc. Quelques premiers éléments théoriques seront proposés.
La seconde partie du cours sera entièrement dédiée à l'utilisation des réseaux de neurones sur une large gamme de jeux de données et de situations réelles, permettant ainsi de donner une idée du spectre d'utilisation de ce type d'approche.
