Introduction au Machine Learning

📋 Plan du Cours

1. Applications du machine learning : AlphaGo, reconnaissance d’images et systèmes de recommandation
2. Définition du problème en machine learning : variables explicatives, variable cible et objectifs d’estimation
3. Types d'apprentissage : supervisé, non supervisé, semi-supervisé et par renforcement
4. Distinction entre régression et classification selon la nature de la variable cible
5. Prédiction en machine learning : erreur réductible et erreur irréductible, et importance de la précision de la prédiction
6. Inférence en machine learning : identification des relations entre variables explicatives et variable cible
7. Choix et classification des algorithmes de machine learning : méthodes paramétriques et non paramétriques
8. Mesure de la qualité de l’estimation : fonctions de perte pour la régression et la classification

📖 1. Applications du machine learning : AlphaGo, reconnaissance d’images et systèmes de recommandation

🔑 Notions clés & Définitions