{
  "nbformat": 4,
  "nbformat_minor": 0,
  "metadata": {
    "colab": {
      "name": "DS_tp5.ipynb",
      "provenance": [],
      "collapsed_sections": []
    },
    "kernelspec": {
      "name": "python3",
      "display_name": "Python 3"
    }
  },
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "oV8I0-MfrGd4",
        "colab_type": "text"
      },
      "source": [
        "# TP 5"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "ifg2_0hCrVO0",
        "colab_type": "text"
      },
      "source": [
        "## Régression de faible rang sur des données simulées"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "8PbkklLyrlwn",
        "colab_type": "text"
      },
      "source": [
        "\n",
        "\n",
        "*   Créer une matrice de rang faible $W$. Afficher la matrice avec la commande `imshow`. \n",
        "\n",
        "*   Générer des données d'apprentissage $\\{(x_i,y_i), i=1,\\ldots,n\\}$ suivant le modèle $y_i = Wx_i + \\epsilon_i$.\n",
        "\n",
        "* Implémenter la méthode de régression de faible rang.\n",
        "\n",
        "* Evaluer les performances de prédiction de la régression de faible rang sur un jeu de données test. Comparer les résultats avec la régression par moindre carrés.\n",
        "\n",
        "* Afficher les matrices de paramètres $W_r$ et $W_{LS}$ obtenues par les deux méthodes et comparer les résultats. \n",
        "\n",
        "* Evaluer l'impact du choix du rang sur les résultats. \n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "VZOh9X9IuT-a",
        "colab_type": "code",
        "colab": {}
      },
      "source": [
        "# A compléter"
      ],
      "execution_count": 0,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "ydeYvbl2uWHx",
        "colab_type": "text"
      },
      "source": [
        "## Apprentissage multi-tâche et régularisation"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "KKhFnEO1ud3F",
        "colab_type": "text"
      },
      "source": [
        "\n",
        "\n",
        "*   Télécharger un jeu de données d'apprentissage multi-tâche. (Vous pouvez utiliser un jeu de données de régression multivariée)\n",
        "\n",
        "*   La régression multitaskLasso est déjà implémenté dans le module `linear_model` de scikit-learn. Expliquer le fonctionnement de cette méthode.\n",
        "\n",
        "\n",
        "*   Comparer les méthodes de régression ridge, régression Lasso, régression à rang faible et régression multitaskLasso.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "YHkjNffvuc1c",
        "colab_type": "code",
        "colab": {}
      },
      "source": [
        "# A compléter"
      ],
      "execution_count": 0,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "EB_EaNpKx6G8",
        "colab_type": "text"
      },
      "source": [
        "## Adaptation de domaine"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "AoW0AjvYx_Xk",
        "colab_type": "text"
      },
      "source": [
        "Des implémentations de méthodes d'adaptation de domaine sont disponibles sur le web (par exemple : https://github.com/wmkouw/libTLDA).\n",
        "\n",
        "* Télécharger un code qui implémente la méthode \"kernel mean matching\" et illustrer la méthode sur un jeu de données simulées ou réelles."
      ]
    },
    {
      "cell_type": "code",
      "metadata": {
        "id": "f0ad4-5h1H1H",
        "colab_type": "code",
        "colab": {}
      },
      "source": [
        "# A compléter"
      ],
      "execution_count": 0,
      "outputs": []
    }
  ]
}