Analyse, classification, indexation de données

Responsable : Akka Zemmari

Chargés de TD :

Groupe 1 Info (mercredi 10h15-12h15) : Jean-Philippe Domenger
Groupe 2 Info (jeudi 8h-10h) : Luc Pomme-Cassierou
Groupe 3 Info + CMI Optim (lundi 8h-10h) : Yanis Asloudj
Groupe 4 Info (jeudi 10h15-12h15): Anne Vialard
Groupe 5 Info (mercredi 16h15-18h15): Guillaume Lagarde
Groupe CSI + CMI ISI (mardi 14h-16h): Luc Pomme-Cassierou

Supports de cours

Séance	Intitulé	Description	Diapos	Autre
1	Avant propos	Présentation de l'UE	pdf
1 - 4	Introduction	Généralités sur le Machine Learning	pdf
1 - 2	Rappels	Rappels d'algèbre linéaire	pdf	Jupiter notebook (NumPy)
		Rappels de probabilités et statistiques	pdf	Jupiter notebook (SciPy)
2	Méthodes d'optimisation	Descente de gradient (et ses variantes)	pdf	Jupiter notebook, notebook (en html)
2 - 3	Régression	Régression simple et multiple	pdf	Jupyter notebooks :
				régression simple (1), notebook (html)
				régression simple (2), notebook (html)
				régression multiple, notebook (html)
				Fichier advertising.csv
				Fichier food truck.csv
4	k-nearest neighbors	Généralités sur le ML, k-NN	pdf	knn (à la main) Jupiter notebook, Jupiter notebook (html)
				knn (avec skleanr) Jupiter notebook, Jupiter notebook (html)
5	Apprentissage supervisé	Théorie de décision markovienne	pdf	Jupiter notebook, Jupiter notebook (html)
6-7	Réduction de dimension	Analyse en composantes principales	pdf	Jupiter notebook (html)
				Jupiter notebook (html), sklearn (applications)
				preuve ACP
8	Contrôle de connaissances	Contrôle
9	Réduction de dimension	Analyse linéaire discriminante (LDA)	pdf	Jupiter notebook (comparaison avec l'ACP)
				Jupiter notebook (LDA à la main)
10	Apprentissage supervisé	Arbres de décision et forêts aléatoires	pdf	Jupiter notebook
	Apprentissage non supervisé	Méthodes de clustering	pdf

TD numéro	Contenu	Énoncé	Corrigé
TD0	Rappels : Probabilités et statistiques, Algèbre linéaire avec Python	Sujet	Correction
TD1	Métriques d'évaluation	Sujet	Correction
TD2	Descente de gradient	Sujet	Correction
TD3	Régression linéaire	Sujet	Correction
TD4	Apprentissage supervisé : k-nn	Sujet	Correction
TD5	Théorie de décision Bayésienne	Sujet	Correction
TD6	Réduction de dimension (ACP)	Sujet	Correction
TD7	Réduction de dimension (LDA)	Sujet
TD8	Apprentissage supervisé : Arbres de décision et Forêts aléatoires	Sujet

Ce travail est à réaliser en binôme et à rendre avant le 22 décembre 2023 (les modalités exactes de rendu seront précisées sous peu)