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:
- TD 1 – Probas, Bayes
- TD 2 : K-nn
- TD 3 : Regression, descente de gradient
- TD 4 : Perceptron
- TD 5 : Réseau de neurones
- TD 6 : SVM
- TD 7 : suite SVM
- TD 8 : Apprentissage non supervisé
- TD 9 : RL
- TD 10 : suite RL
TME :
- Arbre de décisions, sélection de modèles (extrait_imdb.pkl, decisiontree.py)
- Knn, classifieur bayesien (arftools.py)
- Descente de gradient
- Perceptron
- Suite Perceptron
- SVM
- suite SVM
- Clustering : k-means
- Reinforcement learning (sources)
- 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)