Outils pour utilisateurs
acid
Table des matières
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 | ||
| 1 - 4 | Introduction | Généralités sur le Machine Learning | ||
| 1 - 2 | Rappels | Rappels d'algèbre linéaire | Jupiter notebook (NumPy) | |
| Rappels de probabilités et statistiques | Jupiter notebook (SciPy) | |||
| 2 | Méthodes d'optimisation | Descente de gradient (et ses variantes) | Jupiter notebook, notebook (en html) | |
| 2 - 3 | Régression | Régression simple et multiple | 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 | knn (à la main) Jupiter notebook, Jupiter notebook (html) | |
| knn (avec skleanr) Jupiter notebook, Jupiter notebook (html) | ||||
| 5 | Apprentissage supervisé | Théorie de décision markovienne | Jupiter notebook, Jupiter notebook (html) | |
| 6-7 | Réduction de dimension | Analyse en composantes principales | Jupiter notebook (html) | |
| Jupiter notebook (html), sklearn (applications) | ||||
| preuve ACP | ||||
| 8 | Contrôle de connaissances | Contrôle | ||
| 9 | Réduction de dimension | Analyse linéaire discriminante (LDA) | Jupiter notebook (comparaison avec l'ACP) | |
| Jupiter notebook (LDA à la main) | ||||
| 10 | Apprentissage supervisé | Arbres de décision et forêts aléatoires | Jupiter notebook | |
| 11 | Apprentissage supervisé | Perceptron, SVM, etc | perceptron (à la main), Jupiter notebook (html) | |
| svm, kernel trick, Jupiter notebook (html) | ||||
| perceptron, svm, avec sklearn, Jupiter notebook (html) | ||||
| 12 | Apprentissage non supervisé | Méthodes de clustering |
Supports de travaux dirigés
| TD numéro | Contenu | Énoncé | Fichiers | 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 | Correction | |
| TD8 | Apprentissage supervisé : Arbres de décision et Forêts aléatoires | Sujet | Correction |
(Mini) projet
Ce travail est à réaliser en binôme et à rendre avant le 22 décembre 2023
Le rendu se fait sur le cours moodle : https://moodle.u-bordeaux.fr/course/view.php?id=12165
Annales
acid.txt · Dernière modification : 2023/12/12 10:23 de amoreauv
Outils de la page
Sauf mention contraire, le contenu de ce wiki est placé sous les termes de la licence suivante : CC Attribution-Share Alike 4.0 International
