Machine learning

Programme (contenu détaillé):

- Introduction à l'apprentissage machine 
- Estimation du risque (ou erreur de généralisation), Optimisation du compromis biais / variance
- Sélection de modèles et sélection de variables via des critères pénalisés : CP de Mallows, BIC, Ridge, Lasso 
- Analyse discriminante linéaire et quadratique, k plus proches voisins.
- Arbres binaires de classification et de régression (CART)
- Agrégation d'arbres, forêts aléatoires
- Support Vector Machine et Support Vector Regression
- Réseaux de neurones, perceptron multicouches, algorithme de rétropropagation du gradient, algorithmes d'optimisation, introduction à l¿apprentissage profond.
- Algorithmes de boosting
- Imputation de données manquantes.
- Biais des algorithmes
- Cadre juridique et impacts sociétaux de l'IA.