Bases d'apprentissage automatique : Apprentissage supervisé et non supervisé

Cette séance de cours présente les bases de l'apprentissage automatique, en mettant l'accent sur l'apprentissage supervisé et non supervisé. Il couvre le rôle de l'apprentissage automatique dans la science des données, les étapes du cycle d'analyse des données et diverses techniques d'apprentissage automatique telles que les voisins k-nearest, les arbres de décision et les forêts aléatoires. La séance de cours se penche également sur les concepts de biais et de variance, l'algorithme des voisins k-nearest, la sélection des attributs dans les arbres de décision, et les méthodes d'ensemble comme les forêts aléatoires et les arbres de décision stimulés. De plus, il traite de la régression linéaire, de la régression logistique et des défis liés à l'adaptation excessive des modèles d'apprentissage automatique.