Pour commencer ce cours, nous allons nous intéresser aux machines à vecteurs de support (SVM). Les SVM sont devenues une méthode très répandue dans le domaine de l’apprentissage statistique en raison de leur capacité à traiter des données non linéaires et de haute dimension. Les SVM cherchent à maximiser la marge, c’est-à-dire la distance entre la frontière de décision et les points de données les plus proches, afin d’améliorer les performances de généralisation. Tout au long de la semaine, vous apprendrez à utiliser les SVM pour classer ou prédire des résultats à partir d’un ensemble de données donné, à sélectionner les fonctions noyau et les paramètres appropriés, et à évaluer les performances du modèle.

Les réseaux neuronaux connaissent un succès croissant dans le domaine de l'apprentissage statistique grâce à leur capacité à modéliser des relations complexes au sein des données. Dans ce module, nous aborderons les concepts fondamentaux des réseaux neuronaux, tels que les fonctions d'activation et la rétropropagation. Vous aurez l'occasion d'appliquer les réseaux neuronaux pour classer ou prédire des résultats dans un ensemble de données donné et d'évaluer les performances du modèle lors des travaux pratiques de ce module.

Bienvenue dans le dernier module de ce cours. Ce module sera consacré aux méthodes d’ensemble que sont les arbres de décision, le bagging et les forêts aléatoires, qui combinent plusieurs modèles afin d’améliorer la précision des prédictions et de réduire le surapprentissage. Les arbres de décision constituent une méthode d’apprentissage automatique très répandue qui divise l’espace des caractéristiques en régions plus petites et modélise la variable de réponse dans chaque région à l’aide de règles simples. Cependant, les arbres de décision peuvent présenter une variance élevée et un manque de stabilité, problèmes auxquels le bagging et les forêts aléatoires permettent de remédier. Le bagging consiste à générer plusieurs arbres à partir d’échantillons des données obtenus par bootstrap, puis à faire la moyenne de leurs prédictions, tandis que les forêts aléatoires décorrélent davantage les arbres en sélectionnant de manière aléatoire des sous-ensembles de caractéristiques pour chaque arbre.