Homepage

Cours IA-ML  :  Apprentissage Automatique

Dernière mise à jour :  17-Sept-2026

Organisation du cours :

• 9 cours + un examen
•  Contrôle des connaissances :
•  8 quizz donnés en chaque début de cours (sur 5 points chacun) : 16 % de la note finale
•  2 devoirs à la maison (sur 20 points chacun) : 10 % + 20 % de la note finale
•  1 Contrôle sur table : 40 % de la note finale
•  1 Une leçon à préparer et à présenter sur un sujet non couvert dans le cours : 14 % de la note finale

• Copie des transparents du cours accessibles et actualisés sur les liens ci-dessous
• Le livre (pour ceux qui sont intéressés) "Apprentissage artificiel : Concepts et algorithmes. De Bayes et Hume au Deep learning. " (V. Barra & A. Cornuéjols & L. Miclet. Eyrolles, 2021 ; 4ème édition)

Programme prévisionnel :

NoteBook

ml_earnings.csv

Sources bibliographiques et url :

•  V. Barra & Cornuéjols A. & Miclet L. : Apprentissage artificiel : Concepts et algorithmes. De Bayes et Hume au Deep learning. Eyrolles, 2021
    (L'ouvrage de référence)

Livres sur l'apprentissage artificiel en général :

•  Barber D. : Bayesian Learning and Machine Learning. Cambridge University Press, 2012.
   (Un livre très bien fait dans une perspective bayésienne.)

•  Bishop Ch., Bishop H. : Deep Learning: Foundations and Concepts. Springer, 2024.
   (Un livre très complet sur l'apprentissage profond.)

•  Duda, Hart & Stork : Pattern classification (2nd éd.). Wiley-Interscience, 2001.
   (Orienté sur la reconnaissance de formes. Des graphiques exemplaires. Une référence)

•  Flach P. : Machine Learning. The art and science of algorithms that make sense of data. Cambridge University Press, 2012.
   (Un très bon livre d'introduction à l'apprentissage artificiel. Ne couvre pas vraiment la fouille de données.)

•  Hand, Mannila & Smyth : Data mining. Springer, 2001.
   (Livre assez complet, mais nécessairement plus superficiel car couvrant aussi la fouille de données)

•  Hastie, Tibshirani & Friedman : The elements of statistical learning. Data mining, inference and prediction. Springer, 2001.
   (Un peu difficile, mais très informatif. Une typographie exemplaire. Un livre technique en couleurs !)

•  Haykin S. : Neural netwoks. A comprehensive foundation. Prentice Hall, 1999.
   (Une somme incroyable)

•  Haykin S. : Neural netwoks and Learning Machines. Prentice Hall, 2008.
   (Toujours remarquable)

•  Mitchell T. : Machine Learning. McGraw Hill, 1997.
    (Un bon livre d'introduction, mais qui à date)

•  Marsland S. : Machine Learning. An algorithmic perspective. CRC Press, 2009.
    (Un livre d'introduction, assez superficiel, avec des bouts de code en Python.)

•  Murphy S. : Probabilistic Machine Learning: An Introduction. MIT Press, 2022.
    (La perspective bayésienne sur l'apprentissage. Très complet)

•  Murphy S. : Probabilistic Machine Learning: Advanced topics. MIT Press, 2024.
    (La perspective bayésienne sur l'apprentissage. Ici, les aspects récents avancés.)

Livres portant sur des sujets spécifiques :

•  Bishop C. : Neural networks for pattern recognition. Clarendon Press, 1995.
   (Un bon livre d'introduction. Orienté vers les réseaux de neurones, mais discute des problèmes importants en apprentissage artificiel)

•  Cristianini N. & Shawe-Taylor J. : Support Vectors Machines and other kernel-based learning methods. Cambridge University Press, 2000.

• Dreyfus, Martinez, Samuelides, Gordon, Badran Thiria : Apprentissage statistique.
  (Porte sur l'apprentissage par réseaux de neurones, malgré le titre laissant entendre une portée plus générale).

•  Webb A. : Statistical pattern recognition. Arnold, 1999.
   (Un livre d'introduction simple et de bon aloi. Injustement trop peu mentionné)
  

Liens Internet :

•  http://www.support-vector.net
    (Un point d'entrée sur les machines à vecteurs de support)

•  http://www.ai.univie.ac.at/oefai/ml/ml-resources.html
    (Un site recensant de très nombreuses ressources en Apprentissage Artificiel)