Déroulement des séances
16/09 – Introduction à Python
- COURS/TP : notebook (à ouvrir avec Jupiter Notebook) + fichier de données
- Exercices supplémentaires
23/09 – Gradient stochastique
- TP : notebook (à ouvrir avec Jupiter Notebook) + fichiers de données
30/09 – Fin du TP gradient stochastique – Rappels sur l’EMV et mixtures gaussiennes
07/10 – Mixtures gaussiennes et EM
14/10 – EM et convergence
21/10 – EM sur données réelles (TP à rendre pour après les vacances)
08/11 – Simulation de variables aléatoires
18/11 et 22/11 – Rappels sur les chaînes de Markov et MCMC
- TP intro MCMC
02/12 – TP MCMC grande dimension
- Modèle d’Ising
- Voyageur de commerce
09/12 Echantillonnage préférentiel + révisions
16/12 – Examen
BIBLIO
C. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
Validation du cours
La validation du cours se fera par le rendu de certains TP et un examen écrit final.
Liens pour Python
- Python : https://docs.python.org/2/tutorial/
- NumPy : http://docs.scipy.org/doc/numpy/reference/
- ScipyStats : http://docs.scipy.org/doc/scipy/reference/tutorial/stats.html
- Matplotlib : http://matplotlib.org/users/pyplot_tutorial.html
- NumPy user guide (pdf) : https://docs.scipy.org/doc/numpy-1.8.0/numpy-user-1.8.0.pdf
- Matplotlib user guide (pdf) : http://matplotlib.org/Matplotlib.pdf
- scikit-learn : http://scikit-learn.org/stable/
- SymPy : http://www.sympy.org/fr/index.html
- Anaconda (distribution contenant les interfaces dedéveloppement Spyder et Jupyter) : https://www.continuum.io/downloads
- Un cours de l’X : http://www.cmap.polytechnique.fr/~gaiffas/intro_python.html
- Un cours du lycée Saint Louis : http://mathprepa.fr/python-project-euler-mpsi/
- Un cours de l’INRIA : http://www.labri.fr/perso/nrougier/teaching/index.html
- Un cours d’Orsay : http://www.iut-orsay.u-psud.fr/fr/specialites/mesures_physiques/mphy_pedagogie.html