Wednesday, 17 January 2018

TP MATH-H-500

From Image

Jump to: navigation, search

MATH-H-500 Méthodes de classification

Travaux pratiques liés au cours MATH-H-500.

Les travaux pratiques portent essentiellement sur la compréhension des résultats obtenus
à partir de différentes méthodes et l'influence des modifications de paramètres ou de données.


Enoncés des travaux pratiques

Datasets: Icone zip.gifDatasets.zip


Séance 1: k-NN: Icone zip.gifMATHH500-TP1.zip

Classification par la méthode des k plus proches voisin.
Introduction des concepts de sélection de variables et de validation croisée.


Séance 2: Decision Trees: Icone zip.gifMATHH500-TP2.zip

Classification par la méthode des arbres de décision.
Introduction des concepts d'élagage.
Application de la sélection de variables et de la validation croisée.


Séance 3: Multi-Classifier Systems: Icone zip.gifMATH-H-500-TP3.zip

Classification par la méthode des classificateurs multiples (Random Forests).
Introduction des concepts de Multiple Features Subsets et de Bagging.
Application de la sélection de variables et de la validation croisée.


Séance 4: Neural Networks: Icone zip.gifMATH-H-500-TP4.zip

Classification par la méthode des réseaux de neurones.
Introduction du concept de backpropagation.
Application de la sélection de variables et de la validation croisée.


Séance 5: Support Vector Machines: Icone zip.gifMATH-H-500-TP5.zip

Classification par la méthode des SVMs.
Application de la sélection de variables et de la validation croisée.


Séance 6: Icone zip.gifMATH-H-500-TP6.zip

Application pratique de tous les concepts vus au TPs.


Outils nécessaires

Canopy Express, activer également une Academic License

Ipython Notebook

Scikit-learn

PyBrain