ECTS
3 crédits
Composante
Sciences Fondamentales et Appliquées
Période de l'année
Semestre 2
Description
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
Heures d'enseignement
- CMCM10h
- TDTD14h
- P-SJPSimulation et jeu pédagogiques2h
Pré-requis obligatoires
Cours de Probabilités et Statistique paramétrique, Optimisation
Informations complémentaires
Les cours seront dispensés en anglais.
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
- L. Devroye, L. Györfy, G. Lugosi, A Probabilistic Theory of Pattern Recognition, Springer-Verlag, New York, 1996.
- T. Hastie, R. Tibshirani, J. Friedman,The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009.