====== Cours de Régression et Classification supervisée ======


===== Syllabus =====


**Objectif** : Ce cours combine une approche pratique (modélisation, entraînement, validation de modèles) et une approche théorique rigoureuse, permettant aux étudiants de :
  * Comprendre les principes mathématiques sous-jacents aux algorithmes
  * Savoir formuler et analyser un problème d'apprentissage supervisé de manière précise
  * Maîtriser les méthodes classiques (régression linéaire/logistique, SVM, etc.) ainsi que des approches probabilistes
Une partie significative du cours est consacrée à des exercices d'application mathématique afin de renforcer la compréhension conceptuelle des modèles.

**Evaluation** : Examen sur table + Tps notés. Des quiz réguliers compteront comme un bonus sur la note finale. 



==== Plan Prévisionnel ====
<color /yellow>Randal DOUC (du 29 septembre au 10 octobre)</color>

  - **Introduction au ML**
      * Survol des types d’apprentissage.
      * Objectifs, pipeline, surapprentissage.
      * Notions de biais-variance, métriques.
  - **Régression supervisée** 
      * Régression linéaire simple/multiple.
      * Inférence, sélection de variables.
      * Ridge, Lasso, Elastic-Net.
      * Validation croisée, courbes d’apprentissage.
  - **Classification supervisée**
      * Classifieur de Bayes.
      * Régression logistique bi-classe.
      * Métriques de performance.
  - **Méthodes probabilistes / modèles génératifs**
      * EM, mélanges de gaussiennes.
  - **Méthodes non supervisées**
      * ACP, K-means.
  - **Méthodes avancées**
      * SVM (introduction).
      * Random Forest.