Apprentissage Automatique
Ce cours introduit l'intelligence artificielle, domaine né en 1956 qui vise à simuler l'intelligence humaine, et situe le machine learning et le deep learning en son sein. Il présente les trois écoles de pensée (comportementalisme, symbolisme, connexionnisme), l'IA forte et faible, ainsi que les enjeux éthiques comme les deepfakes. Il détaille ensuite les quatre familles d'apprentissage (supervisé, non supervisé, semi-supervisé, par renforcement), le pipeline d'un projet de ML et l'importance du nettoyage des données, qui occupe environ 60 % du temps. Il aborde aussi la sélection d'attributs, la validité d'un modèle (sous- et sur-apprentissage, compromis biais-variance) et les métriques d'évaluation tirées de la matrice de confusion : accuracy, précision, rappel et F1. Il se termine sur les hyperparamètres, la recherche par grille ou aléatoire, la validation croisée, le déséquilibre des classes et un aperçu des principaux algorithmes.