Aller à la navigation principale Aller au contenu principal Aller au pied de page

Machine Learning avec Python / R

Informations générales

Objectif généralPermettre aux étudiants de comprendre, appliquer et évaluer des algorithmes de machine learning, afin de résoudre des problèmes réels à partir de données structurées ou non structurées.
Objectifs spécifiques
  • Comprendre les concepts fondamentaux de l’apprentissage automatique et ses types (supervisé, non supervisé, par renforcement).
  • Maîtriser le prétraitement et l’analyse exploratoire des données.
  • Implémenter des algorithmes de classification, régression et clustering sur des jeux de données réels.
  • Évaluer les modèles avec des métriques appropriées et éviter le surapprentissage ou sous-apprentissage.
  • Utiliser des bibliothèques Python populaires pour le machine learning (Scikit-Learn, Pandas, NumPy, TensorFlow).
  • Comprendre les concepts avancés : réduction de dimensionnalité, réseaux de neurones, apprentissage profond.
  • Sensibiliser aux enjeux éthiques et biais dans les modèles d’apprentissage automatique.
Bref contenu du cours
  • Introduction au Machine Learning
  • Préparation des données
  • Apprentissage supervisé
  • Apprentissage non supervisé
  • Modèles avancés et réseaux de neurones
  • Évaluation et optimisation des modèles
  • Déploiement et bonnes pratiques

Informations pratiques

Crédits3
PrérequisPython, Introduction à l’Intelligence artificielle
DéroulementCM : 25heures, TD : 5 heures et TP : 15heures
ÉvaluationEvaluation formative : 40% Evaluation sommative : 60%
Conditions généralesFormat adapté : 8 heures par jour Effectif : 100 étudiants de niveau GL/BAC4

Enseignants

HAVYARIMANA Vincent

Doctorat · Computer science

Henan University of Science and Technology
Visiteur

Références bibliographiques

Tom M. Mitchell, Machine Learning, McGraw-Hill, 1997.

Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, O’Reilly, 2019.

Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

Sebastian Raschka & Vahid Mirjalili, Python Machine Learning, 3rd Edition, Packt, 2019.

Ian Goodfellow, Yoshua Bengio & Aaron Courville, Deep Learning, MIT Press, 2016.