L'objectif de ce cours est de parcourir plusieurs méthodes élémentaires, mais usuelles, de statistiques ou de Machine Learning, et d'expliciter les bases des algorithmes sous-jacents, pour en rendre le fonctionnement plus explicite.
- Rappels de statistiques bayésienne : prior, posterior, loi conjuguées, Metropolis-Hasting.
- Clustering : K-means, Modèles de mélange et algorithme EM, classification hiérarchique.
- Utilisation des méthodes d'Arbres ou Forêts Aléatoires pour la classification supervisée ou la régression.
En ouverture, l’une des notions suivantes pourra être abordée : Introduction à l'inférence causale, Modèles graphiques, Apprentissage par renforcement, Notion de PAC learning...
