|
Créneau
| Sem 4/Sem 6/Sem 4 M
LS/SL
SL |
|
Prérequis
| Cours de probabilités et statistiques (1A) Cours de statistiques numériques (2A) Cours incompatible avec MALAP (car mêmes objectifs de cours) |
|
Enseignant responsable
|
Vincent LEFIEUX
|
|
Equipe enseignante
| Vincent LEFIEUX, Valentin CADORET |
|
Objectifs du module
| Ce cours vise à doter les élèves ingénieurs de méthodes d'apprentissage statistique (machine learning) leur permettant de disposer d'un éventail élargi, et "moderne", pour analyser les données auxquelles ils seront confrontés dans le cadre de leur vie professionnelle. Ce cours met l'accent sur les principales idées et résultats des méthodes abordées, et leur mise en pratique. Les résultats théoriques sont donnés en références bibliographiques complémentaires. A l'issue de ce module, les élèves sauront mettre en œuvre des techniques de machine learning sur des problématiques de régression ou de classification supervisée. Les méthodes rencontrées seront mises en œuvre sur des jeux de données réels, à l'aide du logiciel Python, dans le cadre de travaux pratiques. |
|
Programme du module
| Principes de l'apprentissage statistique. Arbres de décision CART. Bagging et Random forest Gradient boosting SVM Réseaux de neurones (DNN, CNN) |
|
Modalités
| 5 séances de cours (1h15 chacune) 6 séances de TP (1h45 chacune) 1 quizz (1h15) |
|
Contrôle des connaissances - Règles de validation du module
| Quizz (30%) Compte-rendu de TP (70%). |
|
Documents pédagogiques - Bibliographie
| Slides de cours (avec références bibliographiques incluses) |
|
Effectif maximal
| Effectif illimité |
|
Département de rattachement
| Département Ingénierie Mathématique et Informatique |
|
Nombre de crédits ECTS
| 1,5 crédit ECTS |
|
Mise à jour
| 10 Novembre 2025 |
|
Code
| PRAMA |