Demandez dès maintenant l'aide gratuite de notre Centre de services de cybersécurité

Demander un soutien gratuit en matière de cybersécurité

Participez au camp d'été sur la défense contre les ransomwares à Amsterdam, juin 2026

Participez à notre atelier d'été gratuit sur la défense contre les ransomwares

S'inscrire au cours en ligne sur les fondements de la cybersécurité et le AI

Apprendre en ligne les fondements de la cybersécurité et du AI

Apprentissage automatique

Ce module explore l'apprentissage automatique, en se concentrant sur les algorithmes et les modèles qui permettent aux ordinateurs d'apprendre et de faire des prédictions ou de prendre des décisions basées sur des données. Il couvre les techniques d'apprentissage supervisé, non supervisé et par renforcement, ainsi que les applications pratiques dans des domaines tels que la reconnaissance d'images, le traitement du langage naturel et l'analyse prédictive.

Bâtisseur de programmes d'études

Besoin d'aide ? Cliquez ici pour les instructions.

Sutton, Richard S., et Andrew G. Barto. Apprentissage par renforcement : An Introduction. Deuxième édition. Adaptive Computation and Machine Learning Series. Cambridge, Massachusetts : The MIT Press, 2018.

Barber, David. Raisonnement bayésien et apprentissage automatique. 1ère éd. Cambridge University Press, 2012.

https://doi.org/10.1017/CBO9780511804779

MacKay, David J.C. Théorie de l'information, inférence et algorithmes d'apprentissage. Cambridge University Press, 2003.

Bishop, Christopher M. Reconnaissance des formes et apprentissage automatique. Science de l'information et statistiques. New York : Springer, 2006.

Mohri, Mehryar, Afshin Rostamizadeh, et Ameet Talwalkar. "Introduction. Dans Foundations of Machine Learning, 504. The MIT Press, 2018.

https://mitpress.mit.edu/9780262039406/foundations-of-machine-learning/

Murphy, Kevin P. "Chapitre 24 : Markov Chain Monte Carlo (MCMC) Inference" et "Chapter 25 : Clustering". Dans Machine Learning A Probabilistic Perspective. Londres, Angleterre : The MIT Press, 2012.

Wyner, Abraham J., Matthew Olson, Justin Bleich, et David Mease. "Explaining the Success of AdaBoost and Random Forests as Interpolating Classifiers" (Expliquer le succès d'AdaBoost et des forêts aléatoires en tant que classificateurs interpolants), arXiv, 29 avril 2017.

http://arxiv.org/abs/1504.07676

Hastie, Trevor, Robert Tibshirani et Jerome Friedman. Les éléments de l'apprentissage statistique : Data Mining, Inference, and Prediction. 2e éd. Springer Series in Statistics. New York, NY : Springer New York, 2009.

https://doi.org/10.1007/978-0-387-84858-7

Wasserman, Larry. Toutes les statistiques : A Concise Course in Statistical Inference. Springer Texts in Statistics. New York, NY : Springer New York, 2004.

https://doi.org/10.1007/978-0-387-21736-9