Data Science en pratique

Ce cours s’étend sur toute l’année.

Cours obligatoire, mais sans évaluation.

Responsables A. Llau, E. Scornet

Page web du cours

Plateforme pédagogique Moodle

Objectif Présenter un ensemble de méthodes permettant à partir de données brutes de réaliser des modèles de machine learning avancés, à travers des exemples de type Kaggle.

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 avancé
  6. Méta-learning et agrégation de modèles
  7. Introduction au deep learning (Classification d’images, NLP …)
M2 Statistique
M2 Statistique
Master Mathématiques et Applications

Formation en statistique mathématique, machine learning et data science