Fouille de données et apprentissage automatique 1

Savoir utiliser les bibliothèques python scikit-learn, numpy, pandas. Savoir concevoir un modèle prédictif, évaluer sa performance, interpréter les résultats sur le plan biologique. Savoir restituer les méthodes et résultats et répondre à des questions méthodologiques et biologiques.

Maîtriser les concepts et méthodes d’apprentissage automatique supervisé. Comprendre les fondamentaux et les limitations de chaque approche.
- Les notions fondamentale d’apprentissage automatique supervisé : inférence inductive, fonction de perte, évaluation de la performance du modèle, sous- et sur-apprentissage, complexité du modèle ;
- Les modèles prédictifs basiques : régression logistique, classifieur bayesien naïf, K plus proches voisins ;
- Algorithmes de sélection de modèles par pénalisation : ridge, lasso, elastic net ;
- Les arbres de décision et leurs ensembles : random forest, bagging, boosting ;
- Machines à support vectoriel ;
- Projet de développement d’un outil de prédiction pour les données biomédicales.