Supervised learning

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

• 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

Cours  de Probabilités et Statistique paramétrique, Optimisation

Les cours seront dispensés en anglais.

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.

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.