Cours IA et Machine Learning

Supports de cours (Slides)

• 📄 Chapitre 1 : Panorama
• 📄 Chapitre 2 : Modèles supervisé
• 📄 Chapitre 3 : PAC
• 📄 Chapitre 4 : Fléau de la dimension
• 📄 Chapitre 5 : Réduction de dimension
• 📄 Chapitre 6 : Algorithmes élémentaires
• 📄 Chapitre 7 : Convexification
• 📄 Chapitre 8 : Régression
• 📄 Chapitre 9 : SVM
• 📄 Chapitre 10 : Méthodes à noyaux
• 📄 Chapitre 11 : Arbres de décision
• 📄 Chapitre 12 : Méthodes ensemblistes
• 📄 Chapitre 13 : Réseaux de neurones
• 📄 Chapitre 14 : Optimisation
• 📄 Chapitre 15 : Non supervisé
• 📄 Métriques
• 📄 Pré traitements
• 📄 Validation croisée

Évaluation

Testez vos connaissances en participant au questionnaire à choix multiples :

Ressources externes

Liens vers des notebooks Python et des slides faits par des collègues à Grenoble

• 🔗 Notebooks Python

• 🔗 Slides

Cours en ligne

• 🔗 Cours de S. Mallat : Génération de données en IA par transport et débruitage

Livres

• 🔗 Convex Optimization par Stephen Boyd and Lieven Vandenberghe
• 🔗 EnginEEring Design Optimization par Joaquim R. R. A. Martins, Andrew Ning
• 🔗 CS231n: Deep Learning for Computer Vision. Stanford - Spring 2025
• 🔗 Deep Learning - An MIT Press book. Ian Goodfellow and Yoshua Bengio and Aaron Courville
• 🔗 Dive into Deep Learning
• 🔗 NYU Deep Learning (Yann LeCun & Alfredo Canziani)