Introduction aux bases de l'apprentissage automatique (machine learning). Concepts fondamentaux de représentation et de prétraitement des données. Principes d'algorithmes classiques d'apprentissage supervisé pour la régression et la classification (k plus proches voisins, arbres de décision, forêts aléatoires, régressions linéaires, régression logistique). Introduction à la modélisation probabiliste de l'incertitude et à la règle de Bayes. Principes de la généralisation des modèles, sélection d'hyperparamètres et évaluation des performances. Introduction aux réseaux de neurones, à la rétropropagation des erreurs et la descente de gradient. Aperçu des techniques avancées comme l'apprentissage génératif, l'apprentissage par renforcement et les grands modèles de langues.
Introduction aux bases de l'apprentissage automatique (machine learning). Concepts fondamentaux de représentation et de prétraitement des données. Principes d'algorithmes classiques d'apprentissage supervisé pour la régression et la classification (k plus proches voisins, arbres de décision, forêts aléatoires, régressions linéaires, régression logistique). Introduction à la modélisation probabiliste de l'incertitude et à la règle de Bayes. Principes de la généralisation des modèles, sélection d'hyperparamètres et évaluation des performances. Introduction aux réseaux de neurones, à la rétropropagation des erreurs et la descente de gradient. Aperçu des techniques avancées comme l'apprentissage génératif, l'apprentissage par renforcement et les grands modèles de langues.
