• Votre sélection est vide.

    Enregistrez les diplômes, parcours ou enseignements de votre choix.

Supervised learning

  • 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.

Lire plus

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
Lire plus

Heures d'enseignement

  • CMCM10h
  • TDTD14h
  • P-SJPSimulation et jeu pédagogiques2h

Pré-requis obligatoires

Cours  de Probabilités et Statistique paramétrique, Optimisation

Lire plus

Informations complémentaires

Les cours seront dispensés en anglais.

Lire plus

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.

Lire plus

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.
Lire plus