Former les participants aux principales méthodes de l’apprentissage automatique (Machine Learning ou ML). La formation sera notamment centrée sur les techniques de classification supervisée et semi-supervisé, ainsi que sur les méthodes de ML interprétable. Il s’agira dans ce contexte de proposer une réflexion sur l’existence d’un arbitrage entre interprétabilité et performance prédictive des modèles issus d’algorithmes de ML. Cette formation de base s’adresse à des participants possédant des notions de probabilité et de statistique, ainsi que des connaissances de base en programmation

Temps présentiel : 35 heures

Charge de travail étudiant : 25 heures

Méthode(s) d'évaluation : Projets

Référence :
• Hastie T., Tibshirani R., Friedman J. (2009), The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition, Springer Science & Business Media. • Hull, J.C. (2021), Machine Learning in Business: An Introduction to the World of Data Science.