Comprendre et choisir une méthode d'apprentissage automatique
Acquérir les bases du Machine Learning avec Python
Comprendre l'apprentissage automatique (Machine Learning)
- Machine Learning : définition, contextes d'utilisation, phases (apprentissage, mise en production)
- Enjeux et limites
- Approches mathématiques et statistiques
- Application et types de données : graphes, arbres, courbes, vecteurs de caractéristiques Qualification de la phase d'apprentissage : classification, régression, renforcement, non supervision
- Panorama d'algorithmes : régressions (linéaire ou logistique), machines à vecteurs, réseaux de neurones, k plus proches voisins (KNN), boosting,...
- Facteurs de pertinence et d'efficacité : nombre d'exemples, qualité des attributs, pourcentage des données renseignées ou manquantes, bruit
Organiser un projet d'apprentissage
- Défintion du problème
- Acquisition des données
- Analyse et exploration des données
- Préparation et nettoyage des données
- Extraction de caractéristiques
- Choix ou construction du modèle d'apprentissage
- Entrainement, évaluation et optimisation
- Test et vérification de surapprentissage Déploiement
Découvrir des bibliothèques Python
- NumPy : manipulation de matrices et fonctions
- Pandas : lecture et manipulation de données
- Jupyter et ses Notebook : utilisation de cahiers électroniques
Implémenter des algorithmes d'apprentissage sur des données
- Présentation d'une base de données
- Régression linéaire (simple ou multiple) : étude, import, création et application d'un modèle, évaluation
- Régression logistique : packages, création et application d'un modèle, évaluation et matrice de confusion
- K plus proches voisins (KNN) : packages Python, Application et évaluation, amélioration
- Support Vector Machine (SVM) : principe, découverte de la base de données, application et évaluation
- Analyse en composante principale (PCA) : principe, création du modèle et visualisation des données en 2D
- Decision Tree : principe, préparation des données, création du modèle et visualisation de l'arbre de décision
- Random Forest : principe, implémentation en Python
Evaluer les modèles implémentés
- Ré-échantillonnage
- Représentativité des données d'apprentissage Interprétation de la matrice de confusion Sensibilité et spécificité d'un test : Receiver Operating Characteristic (ROC) et Area under the ROC Curve (AUC)
Attestation de formation
Non certificiante
Sans niveau spécifique
