Machine Learning and Big Data
- Mathematics of Machine Learning (with Sébastien Gerchinovitz):
- Lecture 1: introduction to non-parametrics (see also Arnak Dalalyan's webpage)
- Lecture 2: basics for lower bounds, appendix, exercices
- Lecture 3: invitation to bandit models
- Lecture 4: on classification and complexity (voir les notes de Christophe Giraud), complements
- Lecture 5: learning and optimization
- Lecture 6: online prediction with expert advice, complement on the non-convex case, a proof of Hoeffding-Azuma's inequality.
- Examen 2016: Bernstein, adversarial bandits, adaboost
- Examen 2017: Hellinger distance, adversarial bandits with unknown horizon, density estimation
- Machine Learning and Big Data: an Introduction
- Apprentissage supervisé : quelques bases, voir aussi wikistat.fr dont une partie du contenu est issu, et le tutorial de Rob Schapire sur le boosting présenté à NIPS 2007.
- Machine Learning, Big Data : qu'est-ce que la sciences des données (séminaire grand public)
- Big Data: survivre au déluge des données (présentation aux L1 compilant plusieurs sources, avec Jean-Michel Loubes)
- Apprentissage statistique : Etude de cas avec comparaison d'algorithmes d'apprentissage supervisé
- Boosting experiments with R (sujet de TP)