Ce cours a pour objectif de présenter une introduction à l'apprentissage statistique et automatique. Ce cours permet d'acquérir (i) des connaissances sur l'apprentissage statistique et automatique, (ii) la compréhension intuitive des concepts étudiés, (iii) la capacité à comprendre et appliquer des méthodes d'apprentissage statistique et automatique pour analyser des données, (iv) la capacité à évaluer les performances de ces techniques par des méthodes appropriées, (v) la capacité à orienter et justifier les choix à opérer parmi les techiques existantes étant donné le problème étudié, et (vi) une compréhension pratique des outils permettant de mettre en oeuvre des méthodes d'apprentissage statistique et automatique.
Ce cours a pour objectif de présenter une introduction à l'apprentissage statistique et automatique ; en effet, étant donné que l'ampleur et la portée de la collecte de données ne cessent d'augmenter dans presque tous les domaines, l'apprentissage statistique et automatique est devenu une discipline essentielle pour quiconque souhaite comprendre et analyser des données. Ce cours insistera notamment sur l'importance et l'utilité des concepts de l'apprentissage statistique et automatique et des méthodes qui en résultent dans la vie de tous les jours, ainsi que sur les aspects fondamentaux de l'analyse de données réelles. A l'issue du cours, l'étudiant.e sera capable de comprendre et appliquer des méthodes d'apprentissage statistique et automatique pour analyser des données, d'orienter et justifier les choix à opérer parmi les techiques existantes étant donné le problème étudié, et de mettre en oeuvre des méthodes d'apprentissage statistique et automatique via des langages de programmation tels que R ou Python.
Ce cours a pour but de familiariser l'étudiant.e avec le domaine de l'apprentissage statistique et automatique. Le cours abordera notamment les thèmes principaux suivants : aperçu de l'apprentissage statistique, régression, classification, méthodes de rééchantillonnage, sélection et régularisation de modèles, extensions des modèles linéaires, méthodes basées sur les arbres, machines à vecteurs de support, apprentissage profond, analyse de survie et données censurées, apprentissage non supervisé, tests multiples. Selon le temps disponible, des notions plus avancées d'apprentissage non-supervisé pourront également être présentées.
Introduction
Aperçu de l'apprentissage statistique
Régression
Classification
Méthodes de rééchantillonnage
Sélection et régularisation de modèles
Au-delà de la linéarité
Méthodes basées sur les arbres
Machines à vecteurs de support
Apprentissage profond
Analyse de survie et données censurées
Apprentissage non supervisé
Tests multiples
Selon le temps disponible, des notions plus avancées d'apprentissage non-supervisé pourront également être présentées.
Illustration des concepts et méthodes du cours, et mise en application de celles-ci à l'aide de langages de programmation tels que R ou Python.
La matière sera exposée lors de cours magistraux en auditoire si les conditions sanitaires le permettent. Le cours magistral s'articulera autour de slides, présentés et suivis en cours. Toutes les ressources du cours (y compris les slides et les séances d'exercices) seront disponibles sur Webcampus. Des séances d'exercices permettront aux étudiant.e.s d'appliquer les méthodes et de mettre en pratique les concepts présentés au cours théorique, ainsi que de se familiariser avec des langages de programmation tels que R ou Python, et l'application des méthodes étudiées sur des jeux de données réelles.
L'évaluation du cours comportera deux parties :
Un examen écrit durant la session d'examens, dont les questions pourront notamment porter sur la connaissance et la compréhension de la matière vue au cours et durant les séances d'exercices. Cet examen pourra également évaluer la capacité à appréhender un problème, à analyser des données, à choisir la méthode la plus adéquate et à interpréter correctement les résultats obtenus.
Un ou plusieurs projets et/ou travaux à réaliser par les étudiant.e.s ; celui ou ceux-ci pourront faire l'objet d'une ou plusieurs évaluations écrites et/ou orales, notamment selon le nombre d'étudiant.e.s inscrit.e.s. Un ou plusieurs rapports écrits pourraient devoir être remis, et le ou les projets et/ou travaux pourraient devoir être réalisés en groupes d'étudiant.e.s.
Ces deux composantes de l'évaluation du cours seront organisées selon les consignes communiquées par l'enseignant lors des séances de cours.
Slides projetés au cours et énoncés des séances d'exercices.
Livres de références (non obligatoires) :
Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol. 2).
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning, with Applications in Python.
| Formation | Programme d’études | Bloc | Crédits | Obligatoire |
|---|---|---|---|---|
| Master 60 en sciences mathématiques | Standard | 1 | 6 | Oui |
| Master 120 en sciences mathématiques | Finalité approfondie | 1 | 6 | Oui |
| Master 120 en sciences mathématiques | Finalité didactique | 1 | 6 | Oui |
| Master 120 en sciences mathématiques | Finalité spécialisée en data science | 1 | 6 | Oui |
| Master 120 en sciences mathématiques | Finalité spécialisée en en Project Engineering | 1 | 6 | Oui |
| Master en enseignement section 4 : Mathématiques | Standard | 1 | 6 | Non |