Passer au contenu principal

Ctrl+K

RCP209 - ML avancé

Préambule

A propos de RCP209
Organisation de RCP209
Projet de l’UE RCP209

Apprentissage supervisé

I - Apprentissage supervisé
- I.1 - Cours
- I.2 - Travaux pratiques
II - Evaluation de modèles
- II.1 - Cours
- II.2 - Travaux pratiques

Forets aléatoires

III - Arbres de décision
- III.1 Cours
- III.2 Travaux pratiques
IV - Forêts aléatoires
- IV.1 Cours
- IV.2 Travaux pratiques

Machines à vecteurs de support

V - SVM Linéaires
- V.1 - Cours
- V.2 - Travaux pratiques
VI - Méthodes à noyaux
- VI.1 Cours
- VI.2 - Travaux pratiques
VII - Algorithmes à noyaux
- VII.1 - Cours
- VII.2 - Travaux pratiques

Deep learning: bases

VIII - Perceptron multi-couches
- VIII.1 - Cours
- VIII.2 - Travaux pratiques
IX - Optimisation
- IX.1 - Cours
- XI.2 - Travaux pratiques
X - Réseaux convolutifs
- X.1 - Cours
- X.2 - Travaux pratiques
XI - CNN modernes
- XI.1 - Cours
- XI.2 - Travaux pratiques

Deep learning: series temporelles

XII - Réseaux récurrents
- XII.1 - Cours
- XII.2 - Travaux pratiques
XIII - Transformeurs
- XIII.1 - Cours
- XIII.2 - Travaux pratiques

Modèles de fondation

VIV - Apprentissage auto-supervisé
- XIV.1 - Cours
- XIV.2 - Travaux pratiques
XV - Modèles de fondation
- XV.1 - Cours
- XV.2 - Travaux pratiques

.rst

IV - Forêts aléatoires

Contenu

Supports de cours
Travaux pratiques

IV - Forêts aléatoires#

Supports de cours#

IV.1 Cours

Travaux pratiques#

IV.2 Travaux pratiques

précédent

III.2 Travaux pratiques

suivant

IV.1 Cours

Contenu

Supports de cours
Travaux pratiques

© Copyright 2023, Arnaud Breloy, Javiera Castillo Navarro, Marin Ferecatu, Olivier Pons, CNAM.

Mis à jour le sept. 19, 2025.