APPRENTISSSAGE MACHINE ET OPTIMISATION

Cette UE contient deux matières: Optimisation 2 et Satistique 2.
Optimisation 2:
De nombreuses modélisation de problèmes de d'apprentissage machine mènent à des problèmes d'optimisation d'une fonction
pénalisée pour promouvoir des caractéristiques telles que la parcimonie, le faible rang d'une matrice. Ce type de problème
est typiquement non différentiable mais souvent convexe. Le but du cours est de passer en revue les principales méthodes
utilisées en pratique en insistant sur leur convergence, complexité et sur leurs implantations efficaces. Ces méthodes seront
mises à l'épreuve dans le cadre de TP sous Julia ou des problèmes de traitement d'images seront considérés. Une autre application
concernera la construction d'un système de recommandation en utilisant le logiciel SPARK.

Statistique 2
Ce cours traite du modèle linéaire gaussien et de ses applications. Il constitue également une introduction aux modèles linéaires généralisés,
et plus particulièrement à la régression logistique. La compréhension de ces modèles linéaires est une base indispensable pour aborder par la suite
les méthodes plus modernes mises en oeuvre en big data.
Des algorithmes de sélection automatique des prédicteurs seront exploités en TP sous R et une procédure d'évaluation des modèles élaborés sera détaillée.