L’objectif de ce cours est de proposer une introduction à l’apprentissage automatique et un panorama de ses méthodes fondamentales, en mettant particulièrement l’accent sur les raisons qui motivent la conception de ces modèles.

Chaque séance est divisée en deux parties de trois heures :

• Une partie cours, durant laquelle nous présentons un modèle ou un concept d’apprentissage automatique, étudions ses principales propriétés ainsi que les algorithmes d’apprentissage associés.
• Une seconde partie consacrée à l’étude approfondie de la construction de ce modèle ou de cette méthode, suivie d’une mise en pratique.

Tous les travaux pratiques se déroulent sur des notebooks Python.

This course is mostly based on the three following books:
- Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, and Jonathan Taylor "An Introduction to Statistical Learning"  [link]
- Shai Shalev-Shwartz & Shai Ben-David "Understanding Machine Learning: From Theory to Algorithms", Cambridge University Press [link]
- Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006 [link] 

If you need to consolidate your knowledge of linear algebra, probabilities, etc., specifically for machine learning, the following book is for you:
- Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong, "Mathematics of Machine Learning", Cambridge University Press  [link]
- Kaare Brandt Petersen, and Michael Syskind Pedersen, "The Matrix Cookbook" [link] 

Further readings (some exercises from the PC's are taken from these books):
- Trevor Hastie, Robert Tibshirani and Jerome Friedman, "The Elements of Statistical Learning", Springer, 2009.
- Kevin P. Murphy, "Machine Learning: a Probabilistic Perspective", MIT Press, 2012.
- Richard O. Duda, Peter E. Hart & David G. Stork, "Pattern Classification. Second Edition", Wiley & Sons, 2001.
- David J.C. MacKay, "Information Theory, Inference and Learning Algorithms", Cambridge University Press, 2003.