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.

Randal DOUC (du 29 septembre au 10 octobre)

* Objectifs, pipeline, surapprentissage. * Notions de biais-variance, métriques. |

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.