Apprentissage statistique

Course description

L’apprentissage (machine learning) a pour but de trouver des algorithmes permettant de prédire certaines variables (cachées) à l’aide d’autres (observées). Ces algorithmes sont mis au point à l’aide d’un ensemble d’apprentissage où tout est observé. C’est donc le lien entre variables qui doit être décrypté. Le cours est constitué de 9 chapitres qui introduisent les notions de base utiles à la compréhension de ces algorithmes :

  1. Analyse factorielle
  2. Classification non supervisée (clustering)
  3. Analyse discriminante
  4. Régression linéaire multiple
  5. Ridge, lasso, et ACP (analyse en composantes principales)
  6. Méthodes des k plus proches voisins et estimateur à noyau
  7. Arbres de décision ; validation/comparaison pour les algorithmes de classifications
  8. Agrégation de modèles : bagging, forêts aléatoires, boosting et gradient boosting
  9. Réseaux de neurones et deep learning

Skills to acquire

À l’issue de ce cours, les étudiants seront capables de choisir une méthode d’apprentissage, de la mettre en œuvre, et de la valider.

Biography

Clément Levrard est  professeur à l’Université de Rennes.