Modèles: linéaires, quadratiques, descente de gradient
Algorithmes, choix d'un estimateur.
Classification : k-voisins, régression logistique, classification naïve bayésienne, arbres de décision, forêts aléatoires, SVC
Régression : régression linéaire, lasso, SGDr, SVR
Détection de groupes : k-moyennes, Spectral Clustering/GMM
Analyse globale : Randomized PCA, kernel approximation
Atelier : classification automatique d'un jeu de données à partir d'une régression logistique
Création de jeux d'essai, entraînement et construction de modèles.
Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC.
Parallélisation des algorithmes. Choix automatique.
Atelier : Mise en évidence des erreurs d'apprentissage en fonction des hyper-paramètres
Recherche de clusters: modélisations, algorithmes, et méthodes d'évaluation
Réseaux de neurones
