Contenu du cours

Ce cours consiste à présenter des méthodes d'apprentissage employables lorsque l'on doit traiter une quantité importante de données. Plus précisément, nous allons aborder ce problème en le combinant à l'apprentissage dans un contexte déséquilibré/

Le cours aborde des sujets variés autour de l'Imbalanced Learning mais sera aussi l'occasion de présenter les SVM et des approximations de ces méthodes.

Séance 1

Cette première séance ne repose sur aucune support, nous effectuons des rappels sur le principe de l'apprentissage mais également les bonnes pratiques en Machine Learning sur le plan expérimental.

Séance 2

Cette deuxième séance est essentiellement pratique et permet de mettre en oeuvre les bonnes pratiques expérimentales en Machine Learning. Le code développé pendant cette séance pourra être mobilisée pendant les autres séances pratiques.

Séance 3

Ce cours présente des méthodes classiques pour traiter le problème de déséquilibre dans les données.

Séance 4

Un deuxième Cours/TD où l'objectif est de présenter un algorithme classique en Machine Learning, les Séparateurs à Vastes Marges (SVM) linéaires et les méthodes à noyaux.

Séance 5

On s'intéresse ici à une méthode par boosting d'approximation des SVM reposant sur les Random Fourier Features et l'utilisation de Landmarks.

Séance 6

Cette dernière séance pratique présente un outil permettant de mettre en pratique des modèles de Deep Learning (avec Keras) afin de gérer une quantité importante de données en tirant profit des différents coeurs de la machine.

Séance 7

Cette séance est dédiée à l'examen final et à un échange sur l'avancement du projet. Vous pourrez retrouver l'ensemble des sujets d'examen dans la section dédiée, en bas de cette page.

Projet

Ces projets vous proposent de travailler avec des données réelles pour faire de la détection de fraudes bancaires. Les données ne sont pas forcément disponibles en ligne si ces dernières sont trop volumineuses.

Examens

Cette section regroupe les différents examens et corrections des sujets des années précédentes. Aucune correction n'est disponible et il n'y aura pas de corrections pour ces examens