Les transparents du cours sont ici . Un TP sur les SVM et leur comportement dans le cas deséquilibré est ici.
Les transparents du deuxième cours sont ici. Les codes correspondants sont ici. D'autres très bien sont ici.
Un très bon tutoriel sur la Fairness est ici : première partie et deuxième partie. Des Slides très intéressants par Christophe Giraud, Jean-Michel Loubes et d'autres sont ici.
Le troisième cours aura pour thème l'optimisation du critère F1 (plus précisément une version continue) en suivant l'article ici. Le code est ici.
Les slides du quatrième cours sont ici et concernent le sous et le sur échantillonnage ainsi que des meilleures méthodes. Les codes sont ici.
Un TP intéressant est ici.
Un très bon site qui collecte des données, des liens vers des codes et des articles, est intitulé Awesome Imbalanced Learning.
L'utilisation des GAN's dans le cas de la classification des données déséquilibrées est développé ici.
Un article très récent qui compare les performances de diverses approches est ici et les codes ainsi qu'un tuto video sont ici.
Projets:
Option 1: tester deux codes parmi ceux présentés sur le site https://github.com/ZhiningLiu1998/awesome-imbalanced-learning, avec des données différentes de celles utilisées dans le code. Ecrire un rapport sur vos constatations, les performances observées, les moyens pour les améliorer (en jouant sur tel ou tel paramètre par exemple).
Option 2: lire l'article de Blog ici et tester le code associé.