Analyse de données : Apprentissages non supervisé et supervisé. Simulation stochastique.

Dans ce cours, nous aborderons différentes techniques d'apprentissage statistique. Plus précisément nous nous intéresserons à l'apprentissage non supervisé avec les méthodes d'analyse en composantes principales et de partitionnement et à l'apprentissage supervisé avec les méthodes de régression et de classification. Ces méthodes seront mises en oeuvre avec le langage de programmation python. Ensuite, des mini projets seront proposés.

I- Introduction à l'analyse de données 
II- Apprentissage non supervisé  :1. Analyse en composantes principales (ACP) 2. Partitionnement/clustering de données (dendrogrammes, k-means)
III- Apprentissage supervisé :  1. Classification (plus proches voisins, forêts aléatoires, Bayésien, machines à vecteurs de supports (SVM)) 2. Régression (linéaire,  maximum de vraisemblance).
IV- Notion générales d'apprentissage statistique : validation, surapprentissage, généralisation

Apprentissage non supervisé : ACP , partitionnement. Apprentissage supervisé : régression , classification.Filtrage, classification, estimateurs, apprentissage.
Modèles et simulation stochastique: méthodes de Monte-Carlo, algorithmes stochastsques
Langage R. Matlab