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.

• Fondamentaux
• Datasets
• Prep. Data

Séance 3

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

• Cours Imbalanced

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.

• Cours SVM
• SVM
• Toy datasets

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.

• Boosting

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.

• Deep Learning
• Code Deep

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

Ce projet vous propose de travailler avec des données réelles pour faire de la détection de fraudes bancaires. Les données associées ne sont pas disponibles en lignes etant donnée la volumétrie de ces dernières.

• Sujet

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

• Examen 2022

• Examen 2023

• Examen 2023