Data Science en pratique

Ce cours s’étend sur toute l’année.

Cours obligatoire, mais sans évaluation.

Responsables A. Llau, R. Cousin, A. Bucci

Page web du cours

Plateforme pédagogique Moodle

Objectif Présenter un ensemble de méthodes permettant à partir de données brutes de répondre à des problématiques concrètes en utilisant différents modèles de machine/deep learning à la pointe de l’état de l’art.

Prérequis Notions fondamentales de probabilités, statistique et algèbre linéaire. Connaissance basique Python.

Thèmes abordés

1. Préparation des données et visualisation
2. Techniques de features engineering
3. Optimisation d’hyperparamètres
4. Sélection de modèles
5. Algorithmes de Machine Learning (SOTA)
6. Méta-learning et agrégation de modèles
7. Introduction à l’utilisation de modèles de deep learning (Vision, NLP, Reinforcement)