• Ce cours porte sur les méthodes classique d'apprentissage automatique, de la regression linéaire au multi layer perceptron. Le contenu de ce cours, cours magistraux et travaux pratiques, ont été conçus avec un assistant IA.

    Bibliographie

    Introduction et mise en pratique

    • G. James, D. Witten, T. Hastie et R. Tibshirani, An Introduction to Statistical Learning: with Applications in R, 2ᵉ édition, Springer, 2021. Une introduction accessible aux principales méthodes d’apprentissage statistique. PDF gratuit et ressources.

    • G. James, D. Witten, T. Hastie, R. Tibshirani et J. Taylor, An Introduction to Statistical Learning: with Applications in Python, Springer, 2023. Une référence particulièrement adaptée à la pratique du machine learning en Python. PDF gratuit et ressources.

    • A. Géron, Hands-On Machine Learning with Scikit-Learn and PyTorch, O’Reilly, 2025. Pour ce cours : les chapitres consacrés au ML classique, à la préparation des données, à l’évaluation des modèles et à leur mise en œuvre avec scikit-learn. Présentation de l’ouvrage.

    • S. Raschka, Y. Liu et V. Mirjalili, Machine Learning with PyTorch and Scikit-Learn, Packt, 2022. Pour ce cours : la partie consacrée aux méthodes classiques avec scikit-learn, au prétraitement, à la sélection des variables et à l’évaluation des modèles. Présentation et ressources de l’auteur.

    Fondements et approfondissements

    • T. Hastie, R. Tibshirani et J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2ᵉ édition, Springer, 2009. Un ouvrage de référence pour approfondir les méthodes et les fondements de l’apprentissage statistique. PDF gratuit sur le site des auteurs.

    • C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006. Une présentation approfondie des méthodes d’apprentissage, avec une approche probabiliste. PDF gratuit sur Microsoft Research.

    • V. N. Vapnik, The Nature of Statistical Learning Theory, 2ᵉ édition, Springer, 2000. Pour approfondir les fondements théoriques de l’apprentissage et de la généralisation. Présentation de l’ouvrage.

    Diagnostiquer et améliorer votre démarche de machine learning

    Ressources pour apprendre et pratiquer

    • Documentation de scikit-learn : guides et exemples sur la classification, la régression, le clustering, la réduction de dimension et l’évaluation des modèles.

    • SciPy Lecture Notes : supports pour découvrir le calcul scientifique et l’analyse de données en Python.

    • DataCamp : cours et exercices interactifs en Python, R et data science ; certaines ressources nécessitent un abonnement.

    Jeux de données et compétitions

    • Kaggle : compétitions, jeux de données et notebooks.

    • OpenML : plateforme de partage de jeux de données et d’expériences de machine learning.

    • UCI Machine Learning Repository : collection de jeux de données pour l’apprentissage et l’évaluation des méthodes.

    Quelques outils libres et gratuits

    • scikit-learn : bibliothèque Python pour le prétraitement des données, la classification, la régression, le clustering, la réduction de dimension et la sélection des modèles.

    • Python et son écosystème scientifique : NumPy et SciPy pour le calcul scientifique, pandas pour la manipulation de données, et Matplotlib pour la visualisation. Tutoriels.

    • Forum
►1 - Introduction