À propos du cours
Le machine learning (apprentissage automatique) permet de construire, à partir de données, des modèles capables de prédire, classer ou détecter des structures sans être explicitement programmés pour la tâche.
Ce cours vise à donner aux futur·e·s ingénieur·e·s en informatique une compréhension à la fois théorique et pratique des méthodes fondamentales du domaine, depuis l'optimisation et les modèles linéaires jusqu'aux méthodes d'ensemble et aux réseaux de neurones. La première moitié du semestre couvre les fondements mathématiques, les méthodes de base (régression linéaire, régression logistique, KNN, SVM) ainsi que les bonnes pratiques, tandis que la deuxième partie couvrira les modèles à base d'arbres et fournira un introduction aux réseaux de neurones.
Ce que vous apprendrez
- Bases de probabilités : ensembles, indépendance, probabilité conditionnelle
- Statistique descriptive : indicateurs statistiques, box-plot, histogramme
- Variables aléatoires : lois de probabilité discrètes et continues
- Statistique inférentielle : intervalles de confiance et tests
- Modèles de régression : régression linéaire simple et multiple, ANOVA
- Réduction de dimensionnalité : PCA
Enseignant·es
Options d’inscription
200.3 - Machine learning 200.3 - ML
- Donné en : 2ème année
- Périodes hebdomadaires : 4
- Semestre: Automne
Le machine learning (apprentissage automatique) permet de construire, à partir de données, des modèles capables de prédire, classer ou détecter des structures sans être explicitement programmés pour la tâche.
Ce cours vise à donner aux futur·e·s ingénieur·e·s en informatique une compréhension à la fois théorique et pratique des méthodes fondamentales du domaine, depuis l'optimisation et les modèles linéaires jusqu'aux méthodes d'ensemble et aux réseaux de neurones. La première moitié du semestre couvre les fondements mathématiques, les méthodes de base (régression linéaire, régression logistique, KNN, SVM) ainsi que les bonnes pratiques, tandis que la deuxième partie couvrira les modèles à base d'arbres et fournira un introduction aux réseaux de neurones.
- Enseignant: Vincent Andrearczyk
- Enseignant: Cédric Travelletti


