ENSAI - Mastères Spécialisés / ISTIC - Formation continue Cours d'apprentissage statistique 2026-2027

Formation continue ISTIC - Juin 2026 Diapos Naive Bayes. Diapos k-ppv. Sujet de TP Naive Bayes. Corrigé (Notebook Python) : TD Naive Bayes. Synthèse des méthodes d'apprentissage. Matériel pédagogique Présentation du cours. Pré-requis et rappels. Mathématiques pour le Machine Learning (MML): Polycopié du cours. Le polycopié (incomplet pour l'instant) sera remis à jour à chaque fin de semaine. La version actuelle est celle du: 11/10/2025. Livret d'exercices. Corrigé de certains exercices. Partie 1 : introduction au ML. Partie 2 : théorie de la décision statistique. Partie 3 : méthodes à base de partitions, k-ppv et arbres. TP1. Algorithme k-NN et arbres de décisions. Corrigé (Notebooks Python) : 1re partie : 2e partie : 3e partie : 4e partie : 5e partie : Partie 4 : Méthodes liées à la convexification : SVM, Boosting. TP2. Machines à vecteurs de support (SVM). Corrigé (Notebook Python) : Partie 5 : Méthodes d'agrégation : Bagging, Stacking, Boosting. Partie 6 : Introduction aux méthodes d'apprentissage non supervisé. TP3. Bagging, Stacking, Boosting et synthèse de toutes les méthodes. Corrigé (Notebook Python) : Partie 7 : Introduction aux réseaux de neurones ou économétrie et Machine Learning. Les diapositives font de nombreux emprunts aux cours et polycopiés en ligne, en particulier ceux de : Laurent Rouvière, Jean-Marc Lasgouttes, Laure Ferraris, Paul Liautaud, Herke van Hoof, Frédéric Sur, Peter Prettenhofer, Gilles Louppe, Magali Fromont. Et bien sûr l'ouvrage " An Introduction to Statistical Learning " de James, Witten, Hastie, Tibshirani, Taylor. Projet Machine Learning. Journal du cours Séance de cours 1 du xx/10/2026 : Cours chapitre 1. Présentation du cours, introduction au Machine Learning, fléau de la dimension. Cours chapitre 2. Théorie de la décision, prédicteur optimal de Bayes en classification binaire et régression, minimisation du risque empirique. Séance de cours 2 du xx/10/2026 : Cours chapitre 2. Minimisation du risque empirique (fin), dilemne biais / variance et phénomène de double-descente. TD : exercices 1, 2, 3, 4, 5, 6. À faire: relire le cours, finir les exercices.

.