Machine Learning et Deep Learning avec Python

Objectifs

Connaître le paysage des modèles de Machine Learning
Connaître les librairies les plus courantes associées au Machine Learning et Deep Learning (Sciki-Learn, Tensorflow, Keras, statsmodels)
Savoir mettre en place un projet Machine Learning
Avoir des notions avancées sur l'évaluation de modèles

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