Supervised learning

ECTS

3.0

Présentation

Cet enseignement permet d’apporter les connaissances nécessaires aux méthodes de classification supervisée et à leur application en pratique.

Objectifs

  • Classifieur de Bayes, analyse discriminante linéaire et quadratique,
  • Régression logistique pour la classification
  • Méthodes des k plus proches voisins
  • Support Vector Machines (SVM)
  • Classification and Regression Trees (CART), forêts aléatoires
  • Ensemble classifier, algorithmes de boosting

Conditions d'admission

Cours  de Probabilités et Statistique paramétrique, Optimisation

Compétences visées

A l'issue de ce cours l'étudiant devra savoir mettre en pratique sous les logiciels R ou Python des méthodes de classification supervisée telles que la régression logistique, méthode des k plus proches voisins, SVM, CART et LDA. Il devra connaître les algorithmes de boosting et ensemble classifiers et savoir choisir une bonne méthode pour des vraies données à analyser et interpréter les résultats obtenus.

Bibliographie

  1. L. Devroye, L. Györfy, G. Lugosi, A Probabilistic Theory of Pattern Recognition, Springer-Verlag, New York, 1996.
  2. T. Hastie, R. Tibshirani, J. Friedman,The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009.

Informations complémentaires

Les cours seront dispensés en anglais.

Diplômes intégrant cette UE

Logo

Nous contacter

15, rue de l'Hôtel Dieu
TSA 71117
86073 POITIERS Cedex 9 - France
Tél : (33) (0)5 49 45 30 00
Fax: (33) (0)5 49 45 30 50

Suivez-nous