Élaborer des machines numériques, des algorithmes, qui  évoluent et apprennent à partir d'exemples est le but de la discipline de l’Apprentissage Artificiel. L’apprentissage supervisé en particulier s’intéresse à  la question d’associer des mesures observées (par exemple des pixels d’une image, des mots dans un e-mail, des mesures de température) à  une valeur discrète (l’image représente-t-elle un « 1 » ou un « 7 » ?, l’e-mail est-il un spam ?) ou continue (quelle sera la demande  électrique ?), de façon à  construire une fonction de prédiction qui généralise l’information obtenue à partir des données. On abordera ainsi les tâches de classification automatique supervisée, de régression et on fera une brève incursion dans le paysage de l’apprentissage non-supervisé, au travers des grandes familles d’algorithmes suivants :

•  Apprentissage bayésien  naïf
•  Machines à Vecteurs Supports et méthodes à noyaux
•  Processus Gaussiens
•  Réseaux de Neurones
•  Deep Learning
•  Arbres de Décision
•  Boosting, Bagging 
•  Forêts al ́eatoires.

[Mutualisé avec le cours « Algorithmes en apprentissage artificiel » de 3e année GI du Département Mathématiques, Informatique et Automatique de l’ISAE-Supaero]