MACHINE LEARNING : ADVANCED ALGORITHMS & APPLICATIONS

• Résumé : Ce module approfondit les algorithmes de Machine Learning (supervisé, non-supervisé, régression et classification) et la mise en œuvre de pipelines complets.
• Prérequis : Mathématiques (algèbre linéaire, dérivées partielles, probabilités/statistiques) et programmation Python.
• Objectif 1 : Maîtriser tout le pipeline de prétraitement (Data Preprocessing), incluant la normalisation, l'encodage et la réduction de dimensionnalité.
• Objectif 2 : Formaliser et implémenter des problèmes d'apprentissage non supervisé (Clustering à partition ou hiérarchique).
• Objectif 3 : Comprendre les aspects mathématiques des classifieurs (Arbre de décision, KNN, Classification bayésienne).
• Objectif 4 : Appliquer la chaîne complète de ML sur des cas réels : lecture, prétraitement, division de base, apprentissage et évaluation de performance.

CONTENU ET PLAN DU COURS
• Chapitre 1 : Introduction au ML, historique et typologie des algorithmes (supervisé, non-supervisé, par renforcement).
• Chapitre 2 : Data Preprocessing (Nettoyage, intégration, transformation via scaling/encoding et réduction de données).
• Chapitre 3 : Réduction de dimensionnalité par l'Analyse en Composante Principale (ACP/PCA) : principes, algorithmes et reconstruction.
• Chapitre 4 : Apprentissage non-supervisé avec focus sur le K-means et le Clustering Hiérarchique.
• Chapitre 5 : Apprentissage supervisé (Régression linéaire, Arbres de décisions, Classification Bayésienne, KNN et méthodes d'ensemble).
• Chapitre 6 : Évaluations et applications aux véhicules autonomes (détection de piétons, panneaux, planification de trajectoire).

INFORMATIONS ET ÉVALUATION
• Évaluation Pratique : La note repose sur deux TP majeurs :
• TP 1 (50%) : Focus sur les types d'algorithmes et le clustering.
• TP 2 (50%) : Évaluation complète du pipeline, du prétraitement à l'évaluation des performances.