Python : Introduction à l’apprentissage Automatique

Référence : @Python apprentissage automatique

Durée : 3 jours

Préalables

Savoir programmer en Python

Objectifs

• Comprendre l’apprentissage automatique et ses sous-domaines.
• Se familiariser avec quelques algorithmes usuels en apprentissage automatique.
• Choisir le bon algorithme à utiliser pour votre cas.
• Acquérir l’expertise pour analyser les résultats des algorithmes d’apprentissage automatique.

Contenu

• 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

• Algorithme des K plus proches voisins
• Arbres de décision et visualisation
• Méthode d’ensemble
• Support Vector Machines (SVM)
• Visualisation des résultats

• Pré-traitement des données pour l’apprentissage
• Réduction de dimensionnalité
• Entraînement par batch
• Interprétabilité (importance des poids, LIME)

• 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

• Filtrage collaboratif par utilisateur
• Filtrage collaboratif par article
• Concepts et algorithmes avancés

• Clustering : K-moyennes, méthodes hiérarchiques, méthodes de densité
• Réduction de dimensionnalité: PCA, t-SNE,
• Modèles génératifs: introduction aux auto-encodeurs et auto-encodeurs variationnels

• Le test de sur-apprentissage: taille des modèles et des données
• Test du pipeline de données

Exploration de métriques alternatives