A l'issue du cours, l'étudiant devra pouvoir faire preuve d'une compréhension des différents thèmes abordés (cf. contenu), c'est-à-dire être capable d'exprimer avec ses propres mots la théorie et les méthodes vues au cours et expliquer dans quel contexte celles-ci sont utiles. Il doit également être capable de mettre en oeuvre les techniques vues au cours sur des problèmes simples d'analyse de données et de se documenter sur une question d'actualité en machine learning et de data mining.
Le cours introduit au machine learning et au data mining et permettra à l’étudiant d’attaquer une large palette de problèmes en data science. Les sujets suivants seront abordés :
notion de modèle, modèles simples (arbres de décisions, kNN…), overfitting, sélection de modèles
apprentissage supervisé (modèles linéaires, ensembles, réseaux de neurones...)
apprentissage non-supervisé (clustering, visualisation..)
utilisation du machine learning en situation réelle
Le cours est évalué par un examen oral portant sur la théorie du cours. Les étudiants pourront mettre en œuvre les techniques vues au cours pour la résolution de problèmes simples d'analyse de données . L'examen comptera une question visant ces projets.
Des références sont données pendant le cours.
| Formation | Programme d’études | Bloc | Crédits | Obligatoire |
|---|---|---|---|---|
| Certificat d'université d'Executive Master en Data Science | Standard | 1 | 6 | Oui |
| Master 120 en sciences informatiques | Finalité spécialisée en data science | 1 | 5 | Oui |
| Master 120 en ingénieur de gestion | Finalité spécialisée en data science | 1 | 6 | Oui |
| Master 120 en sciences informatiques | Finalité spécialisée en software engineering | 1 | 5 | Oui |
| Master 120 en sciences physiques | Finalité spécialisée en physique et data | 1 | 6 | Oui |
| Master 60 en sciences informatiques | Standard | 1 | 5 | Oui |
| Master 120 en sciences mathématiques | Finalité spécialisée en data science | 2 | 6 | Oui |