Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore l'apprentissage des modèles graphiques avec les estimateurs M, la régression des processus Gaussiens, la modélisation Google PageRank, l'estimation de la densité et les modèles linéaires généralisés.
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.
Explore l'ajustement de la courbe polynomiale, les fonctions du noyau et les techniques de régularisation, en soulignant l'importance de la complexité du modèle et du surajustement.
Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.
Explore l'analyse de régression logistique des données sur le crabe en fer à cheval, en se concentrant sur l'interprétation du rapport de cotes et l'ajustement du modèle.
Explore la régression logistique pour la classification binaire, couvrant la modélisation des probabilités, les méthodes d'optimisation et les techniques de régularisation.
