Machine learning : implémentation en Python

Objectifs

Comprendre et choisir une méthode d'apprentissage automatique

Acquérir les bases du Machine Learning avec Python

Programme de la formation

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)

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique