Cours Machine Learning

Cours Machine Learning et Applications aux Données Multimédias

Description

A l'issue de ce cours, l'étudiant doit être en mesure de :
  • Comprendre les possibilités et les limites du Machine Learning (ML)
  • Formuler son propre problème de ML
  • Explorer et manipuler des données
  • Construire des modèles prédictifs à partir de données d'apprentissage
  • Utiliser ces modèles en production à l'aide d'APIs
  • Évaluer la performance et l'impact des modèles
  • Appliquer les ML pour le traitement des données multimédia

Annales:

Exemple de DS: DS


Annonces:

    Pour l'examen Final: les documents et la calculatrice sont non autorisés, il n'y aura pas de code, et il y aura des questions sur les présentations des étudiants (sujets 1, 2 et 3).

La présentation de SHAP aura lieu lundi 11/05/2026 à 17:00 en ligne sur https://meet.google.com/ijn-wrwz-fej


Plan du cours

Rappel: Python
    Datasets: geyser.txt | mammals.csv

Chapitre 1: Introduction au Machine Learning

Chapitre 2: Frameworks de la Machine Learning
    Slides: chap02-frameworks.pdf
    Datasets: weather.csv (info.txt) |  diabetes.csv (info.txt)

Chapitre 3: Exploration des données

Chapitre 4: Techniques d'évaluation
    Datasets: 
    
Chapitre 6: KNN
    Slides:  chap06-KNN.pdf
    Cachiers Jupyter: 01-knn.ipynb
    Datasets: Iris (info)

Chapitre 7: Decision Tree
    Excel: DT.xlsx
    Cachiers Jupyter: dt-playgolf2.ipynb | ID3.ipynb
    Datasets:

Chapitre 8: K-means
    Slides: chap08-KMeans.pdf
    Cachiers Jupyter: 01-kmeans.ipynb | 02-kmeans.ipynb
    Datasets:

Chapitre 10: PCA
    Slides:
    Cachiers Jupyter: |
    Datasets:

Présentations:
SujetDateEtudiantsPPT
sujet 1: Selection des attributs29/04/2026Eya sarhani, Khadija negra, fahmi thabti, Ahmed dhouibiSlides
sujet 2: PCA29/04/2026Eya ourabi, Hadir khlifiSlides
sujet 3: SMOTE29/04/2026mariam smida, Ons jarray,Yassine benarbiaSlides|Code1|Code2
sujet 4: Logistic Regression29/04/2026mayar khammassi, Molka touil, Rania magtouf, Oumayma ben mbarikSlides
sujet 5: AdaBoost29/04/2026khaireddine ihrissane, yassine gabbouj, mouhaned haddad, ala eddine boughattasSlides|Code
sujet 6: Random Forest (RF)6/05/2026Amal ben wnis, Ibtissem Ben ali salah, Esya ouni, Oumayma AbessSlides
sujet 7: Mixture of Experts (MoE)6/05/2026Manel raguem, amal basly, chayma ben afiaSlides
sujet 8: XAI, LIME6/05/2026Mohamed aziz jemmaoui, meriem jatlaoui, refka sarhani, kais GharsallahSlides
sujet 9: XAI, SHAP6/05/2026Aya Gara, Hamza Mannai, Jamil chihaouiSlides


Consignes: Chaque présentation dure environ 45 mn et inclut 4 étudiants



ISSAT Kairouan:

Adresse : Route périphérique Dar El Amen 3100, Kairouan
Tél : +216 77 27 38 04/+216 77 27 37 96
Fax : +216 77 27 38 06
Email : issatkr@issatkr.rnu.tn
Inscription à : Articles (Atom)