Aperçu du cours
Introduction au Machine Learning
Ce module introductif vous plonge dans le monde du machine learning. Découvrez les principes fondamentaux, les différents types d’apprentissage (supervisé, non supervisé, et apprentissage par renforcement) et comment Python, avec sa librairie Scikit-Learn, est utilisé pour développer des modèles prédictifs.
Préparation des données
Apprenez les techniques essentielles de préparation des données, incluant la gestion des données manquantes, la normalisation, et le codage des variables catégorielles. Ce savoir est crucial pour optimiser les performances des modèles de machine learning.
Construction de modèles de machine learning
Explorez comment utiliser Scikit-Learn pour créer et entraîner des modèles de machine learning. Ce cours couvre les modèles de régression, de classification, et les techniques de réduction de dimensionnalité, en fournissant des exemples concrets et des cas pratiques.
Évaluation des modèles
Maîtrisez les méthodes d’évaluation des modèles, y compris la validation croisée et les métriques de performance. Ce module vous enseigne comment interpréter les résultats des modèles et améliorer leur précision grâce à des techniques de tuning des hyperparamètres.
Ateliers pratiques
Participez à des ateliers interactifs où vous appliquerez ce que vous avez appris en construisant des modèles sur des jeux de données réels. Ces sessions pratiques visent à renforcer votre compréhension et votre compétence en machine learning.
Prérequis
- Connaissances solides en Python
- Facultatif : Connaissances de base en algèbre linéaire
- Facultatif : Avoir suivi la formation « Python - Programmation scientifique »
Objectifs pédagogiques
- Identifier les problèmes pouvant faire appel à l’apprentissage automatique
- Découvrir les modèles classiques d’apprentissage supervisé
- Évaluer les performances des modèles d’apprentissage
- Utiliser la librairie scikit-learn pour comprendre et mettre en oeuvre les différentes étapes d’un traitement de données par apprentissage supervisé
Public ciblé
- Développeurs
- Ingénieurs
- Chercheurs
- Chefs de projets techniques
Programme de formation
-
Introduction à l’apprentissage automatique
-
Historique et motivations
-
Panorama des différents types d’apprentissage
-
L’apprentissage supervisé : classification vs. régression
-
Exemples concrets
-
-
Introduction à l’apprentissage automatique
-
Historique et motivations
-
Panorama des différents types d’apprentissage
-
L’apprentissage supervisé : classification vs. régression
-
Exemples concrets
-
-
Les modèles classiques
-
Modèles linéaires
-
Arbres de décision et modèles sous-jacents
-
Support vecteur machines (SVMs) et leurs kernels
-
Quelques modèles très utilisés dans l’industrie
-
-
Les modèles classiques
-
Modèles linéaires
-
Arbres de décision et modèles sous-jacents
-
Support vecteur machines (SVMs) et leurs kernels
-
Quelques modèles très utilisés dans l’industrie
-
-
La réduction de dimensions
-
La malédiction de la dimension
-
Variables corrélées / décorrélées du problème
-
L’apprentissage non-supervisé : PCA & Manifold projection
-
-
La réduction de dimensions
-
La malédiction de la dimension
-
Variables corrélées / décorrélées du problème
-
L’apprentissage non-supervisé : PCA & Manifold projection
-
-
Pré-traitement des données
-
Normalisation
-
Encodage des variables qualitatives
-
Augmentation de données
-
Traiter les données manquantes
-
-
Pré-traitement des données
-
Normalisation
-
Encodage des variables qualitatives
-
Augmentation de données
-
Traiter les données manquantes
-
-
Pipelines scikit-learn
-
Découverte du Pipeline scikit-learn
-
Enchainement de pré-traitement et d’entrainement de modèle
-
Visualisation du Pipeline
-
Introduction du ColumnTransformer
-
-
Pipelines scikit-learn
-
Découverte du Pipeline scikit-learn
-
Enchainement de pré-traitement et d’entrainement de modèle
-
Visualisation du Pipeline
-
Introduction du ColumnTransformer
-
-
Sélection des modèles
-
Théorème du “No-free lunch”
-
Comparer des modèles
-
Scores / métriques de performance
-
-
Sélection des modèles
-
Théorème du “No-free lunch”
-
Comparer des modèles
-
Scores / métriques de performance
-
-
Optimisation des modèles
-
Les hyper-paramètres
-
Recherche en grille (grid search) vs. aléatoire (random search)
-
Recherche d’hyperparamètres et cross-validation grâce au Pipeline
-
Visualisation des résultats avec parallel plots (ex : plotly ou hiplots)
-
-
Optimisation des modèles
-
Les hyper-paramètres
-
Recherche en grille (grid search) vs. aléatoire (random search)
-
Recherche d’hyperparamètres et cross-validation grâce au Pipeline
-
Visualisation des résultats avec parallel plots (ex : plotly ou hiplots)
-
Instructeur
