Machine learning et deep learning avec Python

Objectifs

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels

Programme de la formation

Concepts du Machine Learning (1.5 jour)

• Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle


• Présentation des différents type d'apprentissage


• Principe de la régression linéaire


• Compromis Biais Variance


• Modèles ensemblistes (Random Forest)


• Modèles non linéaires (support vector Machine, Multi Layer Perceptron)


• Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)


• Bonnes pratiques en Data Science

Prise en main de la librairie scikit-learn (2 jours)

• Présentation de scikit-learn


• Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)


• Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)


• Sélection des variables


• Importance des variables (globale et locales avec les algorithmes LIME et SHAP)


• Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé

Introduction au Deep Learning (1.5 jour)

• Zoologie des types de couches de neurones artificielles


• Principes de rétropropagation et mise à jour des paramètres


• Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d'image


• Principe du transfer learning, knowledge distillation et entraînement à partir de 0


• Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique