Bonne maîtrise des cours " Optimisation " et " Probabilités " de première année. Connaissance du langage python.

Depuis quelques années, l'augmentation conjointe, rapide et massive des quantités de données et des puissances de calcul a permis l'essor d'algorithmes de prise de décision issus de l'apprentissage statistique (machine learning en anglais). On les retrouve aujourd'hui dans tous les domaines industriels liés à des applications numériques (vision artificielle, robotique, traitement du langage, systèmes de recommandation, etc).

Les objectifs du module sont d'acquérir les intuitions qui sont au fondement de la théorie de l'apprentissage statistique, de maîtriser les algorithmes les plus usuels qui permettent de résoudre les tâches les plus communes (classification, régression, clustering), et d'être capable d'en analyser la pertinence.

Le module permettra d'avoir de solides bases pour poursuivre dans un cursus spécialisé en apprentissage statistique, mais également d'être capable d'utiliser ces algorithmes dans un cadre pratique.

Introduction à la théorie de l'apprentissage statistique (minimisation du risque empirique, PAC learning), KNN, classification linéaire, régréssion linéaire, SVM, Kernels, Boosting, Decision trees, Neural networks, generative models.

The Elements of Statistical Learning (ESL), Trevor Hastie, Rob Tibshirani, Jerome Friedman, Springer (2010).

Understanding machine learning: From theory to algorithms, Shalev-Shwartz, S., & Ben-David, S., Cambridge university press (2014).

Probabilistic Machine Learning: An Introduction, Kevin Patrick Murphy. MIT Press, March 2022.

10 Novembre 2025