Déroulement des séances
Introduction à Python
- COURS/TP : notebook (à ouvrir avec Jupiter Notebook) + fichier de données
- Exercices supplémentaires
21/09 – Cours Gradient stochastique
28/09 – TP gradient stochastique
- TP : notebook (à ouvrir avec Jupiter Notebook) + fichiers de données
05/10 – Rappels sur le maximum de vraisemblance et mixtures gaussiennes
12/10 – Cours Espérance Maximisation
19/10 – EM sur données réelles
09/11, 20/11 – Simulation de variables aléatoires
27/11 – Rappels sur les chaînes de Markov et MCMC
Correction du DM de novembre 2020
Partiel le 30/11 à 13h30
04/12 et 11/12 – TP MCMC
18/12 Echantillonnage préférentiel
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 ou devoir à la maison, et un examen 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