Contents / Contenu

1. Introduction, decision tree / arbres de décision.
   1. Slides: main_2016.pdf
2. Validation
   1. Slides main_Validation.pdf
3. Linear discrimination & Support Vector Machines
   1. Slides main_2016_SVM.pdf
4. Big Data and stats / Grandes données: rappels de stats
5. Classification, Naive Bayes / Classification et Bayesien naif
6. Unsupervised learning and Expectation Maximization methods / Apprentissage non-supervisé, méthodes EM
7. Projects: presentations.

TP Python

1. TP1 : Introduction Python : TD1-exo Introduction Python (sept 2016).ipynb
   1. Correction : TD1-solutions Introduction Python (sept 2016).ipynb
2. TP2 : Decision Tree + entropie TP Entropie.zip
   1. correction : Decision Tree, entropie, titanic Solutions (oct. 2016).ipynb
3. TP 3 : Decision Tree + Validation DecisionTree with sklearn Exos (oct. 2016).ipynb
   1. correction : DecisionTree with sklearn Solution (oct. 2016).ipynb
4. TP 4 : SVM TP SVM Exos (oct 2016).ipynb
   1. correction : TP SVM (solution) (oct 2016).ipynb
5. TP 5 : Bayesien Naïf
   1. en html : TC1-tp-BN.html
   2. en ipynb : TC1-tp-BN.ipynb

(dossier google drive : https://drive.google.com/open?id=0B8suDYMJuia_a3FYMXY4RGcwYlE)

Bibliography / References

1. Pattern Recognition and Machine Learning, Chris Bishop
2. Nando de Freitas, https://www.youtube.com/user/ProfNandoDF

A coté des cours, un projet

Pourquoi	Devenir un data scientiste, acquérir la connaissance pratique de l'apprentissage
Comment	Projet en équipe de 3 ou 4 étudiants

Evaluation du projet

Ecrit	code + 2 pages de présentation, méthodologie et résultat
Oral	soutenance, 10 mn présentation, 10 mn questions
Quand	mercredi 9 ou Jeudi 10 novembre

Liste des projets

1. Challenge Otto Kaggle
2. Challenges de la start-up AlixPartners. Le master remercie chaleureusement AlixPartners.
   1. Pb 1: On a un fichier texte qui représente des logs de session shell (environ 250) et on veut savoir combien il y a d'utilisateurs (10 ?).
      1. Data Problem 1 Input Data.zip
      2. Description Pb 1 documentation
   2. Pb 3: Pour apprendre il faut des données propres; nettoyer les données peut être un probleme d'apprentissage, aussi...
      1. Data Problem 3 Input Data.zip
      2. Description Pb 3 documentation
   3. Pb 4: Connaitre ses clients, tout est là.
      1. Data Problem 4 Input Data .zip
      2. Description Pb 4 documentation
3. Unsupervised Feature Learning for image classification

Affectations et ordre de passage

13h: session Kaggle

• Abdelhak Loukkal, Guillaume Lorre, Clément Thierry et Benzine Abdallah. (demande à passer le 1er)
• Florence Carton, Antonin Raffin, Alvaro Correia, Gabriel Quéré
• Bách Vũ, Mahmut Cavdar, Ngô Hồ Anh Khoa, Divya Grover
• Yaohui WANG, Xiyu ZHANG, Forcefidele KIEN, Herilalaina RAKOTOARISON
• Xiaoxiao CHEN, Dong FEI, Honglin Li, Yuxiang Wang
• Amal Targhi, Mohamed Abdelkhaleq, Mihaela Sorostinean
• Hadhami MATMATI, Asma KHOUFI, -------Younes BENHOUMICH (disparu)
• Stephen Batifol, Abdelhadi Temmar, Sihem Abdoun, Nicolas Bougie.

16h: Unsupervised feature learning

• Daro Ozad, Karim Kouki et Nawel Medjkoune
• Gabriel BELLARD, Alwine Lambert
• Ahmed Mazari, Fella Belkham, Hafed Rhouma

17h: Nettoyage de données

• Mohamed Ali FATHALLAH et Ghazi FELHI

Connaitre ses clients

• Aris Tritas et Laurent Cetinsoy

session logs

• Jonathan CROUZET, Kévin PASINI, Matthieu RÉ