Outils pour l'intelligence artificielle

Principe et implémentation de :

• SVM : fonction de coût, optimisation, noyaux et techniques multi-classes
• Arbres et méthodes d’ensemble (bagging ou random forest par exemple)
• Régression régularisée : fonction de coût, types de régularisation et optimisation
• Réduction de dimension (analyse en composantes principales par exemple)

Réseaux de neurones (principe, implémentation à la main et utilisation de librairies) :

• Descente de gradient, surfaces d'erreurs, Widrow-Hoff et règle delta généralisé, réseaux à rétropropagation (FFBP).
• Choix des hyperparamètres (fonction de coût, fonctions d’activation, learning rate, nombre d’epoch) et validation des performances

• Comprendre en profondeur et implémenter des algorithmes de machine learning (classification, régression régularisée et réduction de dimension)
• Comprendre en profondeur et implémenter des réseaux de neurones simples
• Utiliser, évaluer et choisir des réseaux de neurones simples à l’aide de librairies

• Algorithmique et programmation Python

• Introduction à l'intelligence artificielle