Table of Contents

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 :

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

Randal DOUC (du 29 septembre au 10 octobre)

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