Ensuite j'expérimenterais avec sklearn (modèles de bases en régression et classification), pymc/pystan/pyro (mcmc/modelisation bayésienne), boosting/bagging (xgboost..etc). Manque plus que le MLOps et vous devenez un tueur haha

J'ai mis les papiers/articles bien pour les algos/modèles de base. Je pense dans un premier temps ignorer tout ce qui est DL/RL et focus uniquement sur le ML de base est vraiment important : Mitchel bon compromis theorie/pratique et ensuite les papiers pour avoir une couverture globale en ML clas

J'ai skippé le deep learning et le reinforcement learning (faudrait des séries à part entières pour celles-ci).

Monte Carlo et MCMC

- artowen.su.domains/mc/

- A Conceptual Introduction to Markov Chain Monte Carlo Methods arxiv.org/abs/1909.12313

- A Conceptual Introduction to
Hamiltonian Monte Carlo www.sas.upenn.edu/~fdiebold/No...

Bonus : mc-stan.org/docs/functio...

Cross Validation :

Le papier de Kohavi www.ijcai.org/Proceedings/...

ces slides mlserver1.cs.siue.edu/ml_24sp/lec/...

Bootstrap :

Chapitre 7-8 ESL www.sas.upenn.edu/~fdiebold/No...

Edgeworth Expansion projecteuclid.org/journals/ann...

Ensemble Learning :

- Intro Schapire www.schapire.net/papers/Schap...

- Slides sur Adaboost raw.githubusercontent.com/pushkar/4641...

- Papier sur Xgboost arxiv.org/abs/1603.02754

- Papier sur lightGBM proceedings.neurips.cc/paper_files/...

- Papier sur Catboost arxiv.org/abs/1706.09516

NMF/reco sys :

- le problème de Netflix cseweb.ucsd.edu/classes/fa17...

- yahoo datajobs.com/data-science...

bonus : www.the-odd-dataguy.com/2024/04/07/f...

Chaines De Markov Cachées :

- A tutorial on hidden Markov models and selected applications in speech recognition ieeexplore.ieee.org/document/18626

- Chapitre 15 du Norvig/Russel repo.darmajaya.ac.id/5272/1/Artif...

Estimation de densité :

- Using Gaussian Mixture Models to Detect Outliers in Seasonal Univariate Network Traffic ieeexplore.ieee.org/document/822...

- EM Algorithm file.fouladi.ir/courses/pr/b...

- Frank harrel (regression strategy) la partie sur les splines est très bien nibmehub.com/opac-service...

Splines :

- Dose-response analyses using restricted cubic spline functions in public health research onlinelibrary.wiley.com/doi/abs/10.1...

- Review of splines bmcmedresmethodol.biomedcentral.com/articles/10....

PCA :

- A Tutorial on Principal Component Analysis arxiv.org/pdf/1404.1100

Lasso :

- Regression Shrinkage and Selection via Lasso webdoc.agsci.colostate.edu/koontz/arec-...

Elastic Net :
- Regularization and variable selection via the
elastic net
www.stat.purdue.edu/~tlzhang/mat...

--> toujours ML classique, sélection de variables/transformation :

ICA: Algorithms and Applications (ml-cs7641.s3.us-east-1.amazonaws.com/ica-algorith...)

Restructuring High Dimensional Data by Charles and Paul Viola (www.cc.gatech.edu/~isbell/pape...)

--> pour les méthodes à noyau/algos SVM :

- An introduction to SVMs for data mining
(www.cc.gatech.edu/classes/AY20...)

- Christopher Burges tutorial on SVMs for pattern recognition
(www.microsoft.com/en-us/resear...)

- Scholkopf's NIPS tutorial slides on SVMs and kernel methods

--> l'apprentissage non supervisé (Clustering), l'apprentissage bayésien, l'optimisation aléatoire et les aspects théoriques du ML (dimensions VC, CLT..etc).

Toujours dans le ML classique je recommende --->

Hello @laurentdietrich.bsky.social je te recommende pour le ML de base :

www.cs.cmu.edu/afs/cs.cmu.e... qui est très bien pour les modèles de classification/regression, arbre de décision, intro aux réseaux de neurones, apprentissage par voisinage (KNNs) -->