Objectifs

Après réussite du cours, les étudiants seront capables de

• Sélectionner et appliquer rigoureusement des méthodes d'apprentissage automatique pour les cas couverts en cours,
• Utiliser R pour ces applications
• Analyser et interpréter les résultats des méthodes d'apprentissage automatique pour les cas couverts en classe.

Contenus

Ce cours présente plusieurs méthodes d'apprentissage automatique dans des contextes de business et gestion. La liste des sujets devrait couvrir essentiellement des méthodes d'apprentissage supervisé pour la classification et la prédiction bien que certains méthodes non-supervisées soient également vues.

Ci-dessous une liste provisoire de sujets. Elle sera adaptée en fonction du rythme de la classe.

• Classification: plus proche voisin, régression logistique, arbre de classification, Support Vector Machine.
• Régression: régression linéaire, régression et arbre de régression.
• Partage de données: ensembles d'apprentissage et de test, validation croisée, boostrap.
• Sélection de modèles: scores (MSE, Accuracy,...)
• Apprentissage non-supervisé: regroupement, analyse en composantes principales.
• Méthode d'ensembles: random forest, bagging, etc.

Exercices et théorie sont d'importances égales pour la réussite du cours. Un part significative des exercices sera à faire sur le logiciel statistique R.

Références

Pas de document obligatoire.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer Science & Business Media.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media.

Kuhn, M. and Johnson, K. (2013) Appied Predictive Modeling. Springer Science & Business Media.

Boehmke, B. and Greenwell, B. (2020) Hands-On Machine Learning with R. Taylor & Francis. Available at https://bradleyboehmke.github.io/HOML/ (retrieved the 2023-01-10)

Evaluation

1ère tentative

Examen:

Sans examen (cf. modalités)  

Evaluation:

Un project d'application: individuel ou en groupe (max. 2 étudiant.e.s, selon le nombre de participant.e.s au cours).

- Un rapport (incl. matériel supplémentaire, codes, etc.)

- Une présentation finale sera organisée durant le semestre ou durant la session d'examen (selon le nombre de participant.e.s).

Note finale = 0.3 présentation + 0.7 rapport

Les directives et conseils seront fournis durant le cours.

La note est réputée de groupe. Cependant, si la contribution des membres des groupes au projet est très inégale, une adaptation individuelle de la note sera effectuée.

Exemple: absence d'un des membres du groupe durant la présentation. En rattrapage, une présentation ultérieure adaptée du membre absent pourra être exigée.

Rattrapage

Examen:

Sans examen (cf. modalités)  

Evaluation:

Le rattrapage est organisé pour la partie échouée seulement (présentation ou rapport).

- Présentation: une seconde présentation sera organisée durant la session d'examens de rattrapage

- Rapport: un complément/correction au rapport sera demandé.

Seule la partie échouée de la note sera mise à jour.

Note finale = 0.3 présentation + 0.7 rapport

Exemples:

- Note finale >= 4, pas de rattrapage

- Note finale < 4

- avec présentation > 4, rapport < 4 => rattrapage du rapport, note présentation conservée

- avec présentation < 4, rapport >= 4 => rattrapage de la présentation durant la session d'examens de rattrapage, note du rapport conservée

- avec examen et projet < 4 => rattrapage des deux