Apprentissage Supervisé — Cours

Master GAMMA & Master Business Analytics — Esprit School of Business

Ce dépôt contient le cours d'apprentissage supervisé : slides Beamer, travaux pratiques (énoncés + corrections), notebooks Jupyter et datasets.

Structure

.
├── Cours Machine Learning.tex      Slides Beamer (source)
├── Cours Machine Learning.pdf      Slides compilés
├── figures/                        Figures TikZ et images PNG
├── pdf/                            PDFs additionnels par chapitre
├── TPs/
│   ├── Chapitre 1/                 Data preparation (énoncés)
│   │   └── Correction des TPs/     Corrections (.tex + .ipynb)
│   ├── Chapitre 4/                 TPs avancés (.py)
│   ├── TP_Benchmark_Classification.ipynb
│   ├── TP_Benchmark_Classification_Enonce.tex
│   └── TP_Benchmark_Classification_Correction.tex
└── Données des TPs/
    ├── classification_customer_churn_large.csv
    ├── housing.csv
    └── mini_projet_housing.csv

Chapitres

1. Data preparation : nettoyage, valeurs manquantes, outliers
2. Régression : linéaire, régularisée (Ridge, Lasso)
3. Classification : KNN, SVM, arbres, ensembles
4. Optimisation et MLOps : hyperparamètres, données déséquilibrées, interprétabilité, fairness, drift

Travaux pratiques

TP	Sujet	Format
TP1 (Ch1)	Data Preparation complet	.ipynb + .tex
TP2 (Ch1)	Missing Data	.ipynb + .tex
TP3 (Ch1)	Outliers	.ipynb + .tex
Mini-projet (Ch1)	Housing	.ipynb + .tex
TP1 (Ch4)	Optimisation Hyperparamètres	.py
TP2 (Ch4)	Données Déséquilibrées	.py
TP3 (Ch4)	Interprétabilité, Fairness, Drift	.py
TP global	Benchmark Classification	.ipynb + .tex

Datasets

• housing.csv : régression du prix immobilier
• classification_customer_churn_large.csv : churn client (classification binaire)
• mini_projet_housing.csv : version mini-projet

Prérequis

• Python 3.10+, scikit-learn, pandas, NumPy, matplotlib, seaborn
• Optionnel : XGBoost, LightGBM, SHAP, LIME, Fairlearn, Evidently
• LaTeX (TeX Live ou MiKTeX) avec Beamer/Metropolis pour compiler les slides

Compilation

# Slides
pdflatex "Cours Machine Learning.tex"

# TP individuel
cd "TPs/Chapitre 1"
pdflatex "Data preparation.tex"