Contenu | Introduction- Apprentissage supervisé, non supervisé et par renforcement
- Classification, régression, prédiction de structure
- Évaluation de modèles: métriques
- Sélection des hyper-paramètres et des modèles
- Initiation à Scikit Learn
- Types de données et guide de sélection de méthodes
Classification: Introduction avec OCR - Algorithme des K plus proches voisins
- Arbres de décision et visualisation
- Méthode d’ensemble
- Support Vector Machines (SVM)
- Visualisation des résultats
Classification: Concepts avancés avec analyse de sentiment - Pré-traitement des données pour l’apprentissage
- Réduction de dimensionnalité
- Entraînement par batch
- Interprétabilité (importance des poids, LIME)
Régression - Régression linéaire
- Régression non-linéaire avec les méthodes à noyau
- Détection et gestion de données aberrantes
- Séries temporelles: Défis, décomposition et méthodes de prédiction
- Séries temporelles: régression non-stationnaire et modèles auto régressifs
Système de recommandation: Étude de cas - Filtrage collaboratif par utilisateur
- Filtrage collaboratif par article
- Concepts et algorithmes avancés
Apprentissage non supervisé - Clustering : K-moyennes, méthodes hiérarchiques, méthodes de densité
- Réduction de dimensionnalité: PCA, t-SNE,
- Modèles génératifs: introduction aux auto-encodeurs et auto-encodeurs variationnels
Guide pratique de débogage - Le test de sur-apprentissage: taille des modèles et des données
- Test du pipeline de données
Exploration de métriques alternatives |
