Détails
- 7 Sections
- 26 Lessons
- 21 Weeks
Expand all sectionsCollapse all sections
- Introduction à l’apprentissage automatique4
- 1.1Historique et motivations
- 1.2Panorama des différents types d’apprentissage
- 1.3L’apprentissage supervisé : classification vs. régression
- 1.4Exemples concrets
- Les modèles classiques4
- 2.1Modèles linéaires
- 2.2Arbres de décision et modèles sous-jacents
- 2.3Support vecteur machines (SVMs) et leurs kernels
- 2.4Quelques modèles très utilisés dans l’industrie
- La réduction de dimensions3
- 3.1La malédiction de la dimension
- 3.2Variables corrélées / décorrélées du problème
- 3.3L’apprentissage non-supervisé : PCA & Manifold projection
- Pré-traitement des données4
- 4.1Normalisation
- 4.2Encodage des variables qualitatives
- 4.3Augmentation de données
- 4.4Traiter les données manquantes
- Pipelines scikit-learn4
- 5.1Découverte du Pipeline scikit-learn
- 5.2Enchainement de pré-traitement et d’entrainement de modèle
- 5.3Visualisation du Pipeline
- 5.4Introduction du ColumnTransformer
- Sélection des modèles3
- 6.1Théorème du “No-free lunch”
- 6.2Comparer des modèles
- 6.3Scores / métriques de performance
- Optimisation des modèles4
- 7.1Les hyper-paramètres
- 7.2Recherche en grille (grid search) vs. aléatoire (random search)
- 7.3Recherche d’hyperparamètres et cross-validation grâce au Pipeline
- 7.4Visualisation des résultats avec parallel plots (ex : plotly ou hiplots)
Panorama des différents types d’apprentissage
Suivant
