Cours M2 CHPS - Data et apprentissage

Introduction à la science des données et au machine learning

***Enseignants
Nicolas VAYATIS
Argyris KALOGERATOS

***Contacts
<prenom.nom/-at-/ens-paris-saclay.fr>
Secrétariat du cours : <secretariat-der-maths/-at-/ens-paris-saclay.fr>

***Syllabus et déroulé des séances
Les phénomènes physiques, biologiques, sociaux sont désormais digitalisés de manière systématique et continue dans des formats alphanumériques. Le domaine du calcul scientifique et de la simulation numérique est également consommateur et producteur de données alphanumériques. Le chercheur ou l’ingénieur, qu’il soit concepteur ou utilisateur de systèmes d’aide à la décision, se trouve confronté au champ de la science des données et son expertise se trouve mise au défi. Ainsi, la montée en compétences en science des données de tous les scientifiques et techniciens dans tout secteur d’activité humaine est désormais un des enjeux majeurs de l’économie de l’innovation et de la connaissance. Le cours constitue une introduction à la science des données qui a pour but d’initier les étudiants aux principes de base de la modélisation mathématique et statistique, et de la mise en œuvre algorithmique de chaînes de traitement des données pour l’aide à la décision. Au-delà de compétences et savoir-faire techniques, le cours questionnera également la capacité d’évaluation des modèles et le sens critique des étudiants sur un domaine de la connaissance encore en quête de maturité.

Date	Horaire	Salle	Intervenants	Session	Thèmes	Supports
Lundi 16 septembre	9:30-12:30	1Z25	N. Vayatis	Cours #1	Introduction du cours Principaux concepts. Motivations.	Slides
Lundi 16 septembre	14:00-17:00	2E30	A. Kalogeratos	TD/TP #1	Pipeline du traitement de données Outils et environnements logiciels
Lundi 23 septembre	9:00-12:00	1Z25	N. Vayatis	Cours #2	Méthodes supervisées linéaires Partie I	Slides
Lundi 23 septembre	13:30-16:30	2E30	A. Kalogeratos	TD/TP #2	Modèles linéaires en régression. Estimation des paramètres. Protocoles d'évaluation.
Lundi 30 septembre	9:30-12:30	1Z25	N. Vayatis	Cours #3	Méthodes supervisées linéaires Partie II	Slides LDA tutorial FDA tutorial
Lundi 30 septembre	13:30-16:30	2E30	A. Kalogeratos	TD/TP #3	Mise en œuvre des techniques de classification. Choix des hyperparamètres. Sensibilité et robustesse.
Lundi 7 octobre	9:30-12:30	1Z25	N. Vayatis	Cours #4	Méthodes d'apprentissage non supervisées. Réduction de dimension. Méthodes de clustering.	Slides
Lundi 7 octobre	13:30-16:30	2E30	A. Kalogeratos	TD/TP #4	Apprentissage non supervisé. Aspects algorithmiques et évaluation de la performance.
Lundi 21 octobre	9:30-12:30	1Z25	N. Vayatis	Cours #5	Méthodes supervisées non-linéaires Partie I	Slides
Lundi 21 octobre	13:30-16:30	2E30	A. Kalogeratos	TD/TP #5	Application des méthodes d'ensemble Choix des hyperparamètres. Sensibilité et robustesse.
Lundi 4 novembre	9:30-12:30	1Z25	N. Vayatis	Cours #6	Méthodes supervisées non-linéaires Partie II	Slides
Lundi 4 novembre	13:30-16:30	2E30	A. Kalogeratos	TD/TP #6	Finalisation des rendus de contrôle continu
Jeudi 14 novembre	13:30-15:30	1E18		Examen (sans documents)

***Ouvrages de reférence