Apprentissage machine par INSA Formation Continue

#0xc3# Introduction à l'apprentissage machine
#0xc3# Optimisation du compromis biais / variance
#0xc3# Régression PLS, Analyse discriminante paramétrique linéaire etquadratique, k plus proches voisins.
#0xc3# Réseaux de neurones, perceptron multicouche, introduction àl'apprentissage profond.
#0xc3# Arbres binaires de décision.
#0xc3# Bagging, forêts aléatoires, boosting et descente de gradient.
#0xc3# Imputation de données manquantes.
#0xc3# Détection d'atypiques multidimensionnelles et classification à uneclasse.
#0xc3# Déontologie scientifique et décision statistique

L'étudiant devra être capable de :
#0xc3# Analyser des jeux de données massives issus de divers domaines(assurance, marketing, industrie...) avec les librairies de R et Python.
#0xc3# Mettre en oeuvre les principales méthodes et exécuter les algorithmes(PLS, analyse discriminante, arbres, boosting, random forest, réseaux deneurones, SVM...)
#0xc3# Optimiser les valeurs des hyper
- paramètres, automatiser la chaîne destraitements (pipeline).
#0xc3# Optimiser la gestion des données manquantes.
#0xc3# Détecter les failles légales ou éthiques (biais, discrimination,opacité) des algorithmes d'apprentissage automatique.