Objectifs
Au terme de ce cours, l’étudiant.e comprendra l’apprentissage automatique et ses sous-domaines. Il/elle sera familier.ère avec quelques algorithmes usuels en apprentissage automatique. Il/elle saura choisir le bon algorithme à utiliser pour un cas donné et aura acquis l’aptitude pour analyser les résultats des algorithmes d’apprentissage automatique.
Contenu
Notions d’apprentissage automatique: supervisé, non-supervisé et semi-supervisé. Apprentissage supervisé: régression et classification. Étude de quelques algorithmes d’apprentissage supervisé: KPPV, arbres de décision, réseaux de neurones. Apprentissage profond. Méthodes ensemblistes : forêts aléatoires, gradient boosting, model averaging. Apprentissage non-supervisé: regroupement et réduction de dimensions. Étude de quelques algorithmes d’apprentissage non-supervisé: K-Moyennes, ACP, auto-encodeurs. Étude d’applications de l’apprentissage automatique: cybersécurité, vision artificielle, traitement des langages naturels. Ce cours comporte des séances obligatoires de travaux dirigés (TD).