Machine learning 1
Tronc commun
- Année
- 2e année
- Semestre
- Semestre 3
- Unité d’enseignement
- Statistique 6
- Volume horaire
- 20 h
- Crédits
- 1,5
Les fiches sont renseignées à partir des syllabus RESA/ENEAM et peuvent être actualisées par l’équipe pédagogique. Les modalités d’évaluation indiquées ne remplacent pas les consignes du cours.
Objectif du cours
L’évolution des technologies conduit les entreprises publiques et privées et les administrations publiques à la production massive des données. Ces mégabases de données, recèlent d'informations décisives. Pour les exploiter, la Science des Données (data science, en anglais) est née. Les étudiants doivent donc apprendre les techniques permettant d’extraire, d’analyser et de présenter des connaissances ou des informations à partir de ces données immenses.
Plan du cours
-
Chapitre 0 : Introduction
2 h- Présentation du contenu
- Rappel / prise en main jupyter
- Présentation du projet final
-
Chapitre 1 : Machine Learning Overview
4 h- Intelligence artificielle (IA/AI)
- Machine Learning / Apprentissage automatique
- Deep Learning / Réseaux de neurones
- How to learn Data Science ?
-
Chapitre 2 : Data types / Feature Engineering
4 h- Data types
- Structured data
- Unstructured data
- Data vectorization (NLP, image, …)
-
Chapitre 3 : Data analysis & visualization
6 h- Introduction to Data Visualization Tools
- Basics visualization tools with python (matplotlib, seaborn, plotly)
- Advanced Visualizations and Geospatial Data (folium, geopandas, plotly, …)
- Creating Dashboards with Streamlit
-
Chapitre 4 : Supervised learning: Regression
7 h- What is Regression ?
- Types of algorithms: Linear regression
- Model evaluation
- Model selection
- Cross validation
- Hyperparameters tuning
- Feature selection
- Back to types of algorithms
- Regression modeling in practice
-
Chapitre 5 : Supervised learning: Classification et analyse discriminante
6 h- What is classification ?
- Type of classification tasks
- Model evaluation
- Type of algorithms
- Example of use case
- Classification modeling in practice
- Analyse discriminante
-
Chapitre 6 : Unsupervised learning
6 h- Dimensionality reduction
- Clustering Analysis
- Build a clustering model
Évaluation
Test de connaissances théoriques : 20 %; Exercice pratique : 30 %; Projet final : 50 %
Bibliographie
- Data mining, Editions Vuibert (Larose, D.T.)
- Introduction au data Mining, Editions Eyrolles et France Télecom-CENT (Jambu, M.).
- Le data Mining, Editions Eyrolles (Lefebure, R. & Venturi, G.)
- The Hundred-Page Machine Learning Book (Andriy Burkov)
- Machine Learning for Hackers: Case Studies and Algorithms to Get you Started (Drew Conway and John Myles White)
- Machine Learning (Tom M. Mitchell)
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Trevor Hastie, Robert Tibshirani, and Jerome Friedman)
- Bayesian Reasoning and Machine Learning (David Barber)
- Understanding Machine Learning (Shai Shalev-Shwartz and Shai Ben-David)
- Pattern Recognition and Machine Learning (Christopher M. Bishop)
- Bayesian Reasoning and Machine Learning ( David Barber)
- Machine Learning in Action (Peter Harrington)