Outils pour utilisateurs
acid
Ceci est une ancienne révision du document !
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) : Jean-Philippe Domenger
- Groupe 3 Info + CMI ISI (lundi 8h-10h) : Akka Zemmari
- Groupe 4 Info (jeudi 10h15-12h15): Pierre Bénard
- Groupe 5 Info (mardi 08h00-10h00): Anne Vialard
- Groupe CSI (mardi 14h-16h): Victoria Bourgeais
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 (implémentation) | |||
| 2 | Méthodes d'optimisation | Descente de gradient (et ses variantes) | Jupiter notebook, notebook (en html) | |
| 3 - 4 | Régression | Régression simple et multiple | Jupyter notebook | |
| Fichier advertising.csv | ||||
| Fichier food truck.csv | ||||
| 4 | k-nearest neighbors | Généralités sur le ML, k-NN | Jupiter notebook | |
| 5 | Apprentissage supervisé | Théorie de décision bayesienne | Jupiter notebook, Jupiter notebook (html) | |
| 6 | Apprentissage supervisé | Arbres de décision et forêts aléatoires | Jupiter notebook | |
| 7 | Contrôle de connaissances | Contrôle | ||
| 8 | Réduction de dimension | Analyse en composantes principales | Jupiter notebook (html) | |
| Jupiter notebook (html), sklearn (applications) | ||||
| preuve ACP | ||||
| 9 | Réduction de dimension | Analyse linéaire discriminante (LDA) | Jupiter notebook (comparaison avec l'ACP) | |
| Jupiter notebook (LDA à la main) | ||||
| 10 | 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) | ||||
| 11 | 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 | Descente de gradient | Sujet | Correction | |
| TD2 | Régression linéaire | Sujet | Correction | |
| TD3 | Métriques d'évaluation | 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 |
Si vous voulez travailler sur votre machine personnelle, vous pouvez utiliser ce fichier requirements.txt pour installer tous les paquets requis à l'aide de la commande :
python3 -m pip install -r requirements.txt
Si vous souhaitez une installation locale au dossier des TD, vous pouvez au préalable créer un environnement virtuel (cf. doc).
TP noté
Le sujet et le rendu se trouvent sur le cours Moodle : https://moodle.u-bordeaux.fr/course/view.php?id=12165
Annales
acid.1792682936.txt.gz · Dernière modification : de zemmari
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
