ARF 2015-2016

Cours :

• Cours 1 : Introduction, arbre de décision
• Cours 2 :  Estimation de densité, K-nn
• Cours 3 ; Regression logistique, Descente de gradient
• Cours 4 : Perceptron
• Cours 5  : Réseau de neurones
• Cours 6 : SVM
• Cours 7: Fourre-tout (grève) : évaluation, multi-classe, rappel gaussiennes multivariées.
• Cours 8 : Apprentissage non supervisé
• Cours 9 (a) : Ensemble Learning
• Cours 9 (b) : Reinforcement Learning (I)
• Cours 10 :Reinforcement Learning (II)
• Cours10 (b) : Théorie de l’apprentissage

TD:

1. TD 1 – Probas, Bayes
2. TD 2 : K-nn
3. TD 3 : Regression, descente de gradient
4. TD 4 : Perceptron
5. TD 5  : Réseau de neurones
6. TD 6 : SVM
7. TD 7 : suite SVM
8. TD 8 : Apprentissage non supervisé
9.  TD 9 : RL
10.  TD 10 : suite RL

TME :

1.  Arbre de décisions, sélection de modèles  (extrait_imdb.pkl, decisiontree.py)
2. Knn, classifieur bayesien  (arftools.py)
3. Descente de gradient
4. Perceptron
5.  Suite Perceptron
6. SVM
7. suite SVM
8. Clustering : k-means
9. Reinforcement learning   (sources)
10. RL suite

Annales :

• 2014-2015 : Examen,  Rattrapage

Bibliographie/liens utiles 

Cours on-line :

• Cours de J. Corso, Buffalo University
• Cours de K. Murphy, Brown University
• Cours A. Smola, Canergie Mellon University
• Cours A. Ng, Stanford University
• Cours T. Mitchell, Stanford University
• Cours T. Joachims, Cornell University
• Cours N. de Freitas, British Columbia University

Livres :

• Element of Statistical Learning, Hastie, Tibshirani and Friedman (la référence)
• Pattern Classification, Duda, Hart and Stork
• Machine Learning, T. Mitchell
• Pattern Recognition, C. Bishop

Python :

• Tuto MAPSi
• Autre très bon tuto (A. Gramfort, Telecom)
• Python en 10 min
• De matlab à Numpy
• Le tuto officiel

Autres ressources :

• Cours LI323, Probas/stats L3 Info UPMC
• Cours MAPSI, M1 DAC UPMC
• Cours Proba LPMA, UPMC
• Cours Probabilités, mesure et intégration de Gallouët et Herbin (Université Marseille-Luminy)