Introduction
Ce cours est une introduction à l'apprentissage automatique, un domaine de l'intelligence
artificielle qui permet aux ordinateurs d'apprendre sans être explicitement programmés.
L'apprentissage automatique est utilisé dans une grande variété d'applications, notamment
la reconnaissance d'images, la traduction automatique, le diagnostic médical et la
recommandation de produits.
Objectifs du cours
À la fin de ce cours, les étudiants seront en mesure de :
• Comprendre les principes fondamentaux de l'apprentissage automatique
• Appliquer les techniques d'apprentissage automatique à des problèmes réels
• Évaluer la performance des modèles d'apprentissage automatique
Contenu du cours
Le cours est divisé en trois parties :
• Partie 1 : Introduction à l'apprentissage automatique
o Définition de l'apprentissage automatique
o Types d'apprentissage automatique
o Modèles d'apprentissage automatique
• Partie 2 : Techniques d'apprentissage automatique
o Régression
o Classification
o Apprentissage non supervisé
• Partie 3 : Évaluation des modèles d'apprentissage automatique
o Mesure de la performance
o Prévention du surapprentissage
Exigences
Aucun prérequis n'est requis pour ce cours. Cependant, une base en mathématiques et en
programmation est utile.
Ressources
• Livres
o "Machine Learning" de Tom Mitchell
o "Elements of Statistical Learning" de Trevor Hastie, Robert Tibshirani et Jerome
Friedman
o "Deep Learning" de Ian Goodfellow, Yoshua Bengio et Aaron Courville
• Sites Web
o scikit-learn: [Link]
o TensorFlow: [Link]
o PyTorch: [Link]
Plan du cours
Semaine 1
• Introduction à l'apprentissage automatique
• Types d'apprentissage automatique
• Modèles d'apprentissage automatique
Semaine 2
• Régression
• Modèle linéaire
• Modèle de régression logistique
Semaine 3
• Classification
• Arbres de décision
• Machines à vecteurs de support
Semaine 4
• Apprentissage non supervisé
• Clustering
• Réduction de dimension
Semaine 5
• Évaluation des modèles d'apprentissage automatique
• Mesure de la performance
• Prévention du surapprentissage
Semaine 6
• Projet
Evaluation
• Examen final (60 %)
• Projet (40 %)
Bibliographie
• Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning.
Springer.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Exercices
• Exercices hebdomadaires
• Projet
Ressources
• Livres
o "Machine Learning" de Tom Mitchell
o "Elements of Statistical Learning" de Trevor Hastie, Robert Tibshirani et Jerome
Friedman
o "Deep Learning" de Ian Goodfellow, Yoshua Bengio et Aaron Courville
• Sites Web
o scikit-learn: [Link]
o TensorFlow: [Link]
o PyTorch: [Link]
Annonces
• Dates limites
• Changements de programme
• Aides aux étudiants
Remarques
• Ce cours est basé sur le cours "Introduction to Machine Learning" de Stanford
University.
• Le contenu du cours est susceptible d'être modifié en fonction des commentaires des
étudiants.
Fin de l'introduction
Partie 1 : Introduction à l'apprentissage automatique
Définition de l'apprentissage automatique
L'apprentissage automatique est un domaine de l'intelligence artificielle qui permet aux
ordinateurs d'apprendre sans être explicitement programmés. Les ordinateurs apprennent en
analysant des données et en identifiant les