ARF 2014-2015

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)

Cours :

1. Introduction + arbres de décision
2. Apprentissage bayésien, Estimation de densité
3. Régression linéaire, logistique, descente de gradient
4. Perceptron
5. Réseau de neurones
6. SVM, Noyaux
7. Théorie de l’apprentissage, Ensemble learning
8. Apprentissage non supervisé, K-Means
9. EM, Spectral Clustering
10. Multi-classe, Réduction de dimension

TD:

1. TD1 – Probas, Bayes
2. Régression linéaire
3. Descente de gradient
4. Classification linéaire, Perceptron
5. Perceptron multi-couches
6. Suite TD5
7. Noyaux, boosting
8. Clustering
9.  Pas de TD
10. annales MQIA

TME :

1. Arbre de décisions, prise en main python (lien notebook, lien py)
2. Estimation de densité
3. Descente de gradient (notebook, python)
4. Perceptron (notebook, python, arftools)

TME 10 : données, sujet