Descriptif
De nombreux algorithmes de Machine Learning permettent d'extraire de l'information des données. La compréhension théorique de ces algorithmes amène le statisticien à choisir en connaissance de cause les meilleures méthodes pour traiter un problème spécifique. Elle permet également d'étudier les limites de certaines approches et de proposer des solutions adéquates pour les dépasser. C'est pour toutes ces raisons que la recherche théorique en Machine Learning est désormais un enjeu majeur.
L'objectif de cet EA est d'introduire les problématiques mathématiques associées à l'apprentissage statistique, ainsi que les grandes familles d'outils permettant d'aborder ces questions. Nous étudierons en détail les estimateurs à moyennes locales, en effectuant un détour du côté des classifieurs linéaires.
Nous nous placerons du point de vue de la prédiction et développerons notamment des méthodes de décomposition biais-variance du risque, l'approche par inégalité oracle ainsi que les outils de concentration de la mesure. La répartition des séances et leur contenu est disponible ici.
Pour nous contacter :
- matthieu.lerasle@polytechnique.edu
- erwan.scornet@polytechnique.edu
effectifs minimal / maximal:
/30Diplôme(s) concerné(s)
- Echanges PEI
- M1 Mathématiques et Applications - Voie Jacques Hadamard - École Polytechnique
- Titre d’Ingénieur diplômé de l’École polytechnique
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme Echanges PEI
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.