Formation Introduction Maîtriser les bases du Machine Learning : une approche pratique

Programme de Notre formation Introduction Maîtriser les bases du Machine Learning : une approche pratique

[Jour 1]

1.Qu’est-ce que le machine learning ?

• Le changement de paradigme, depuis les systèmes experts à l’apprentissage automatique
• Les cas d’usage des algorithmes et leurs limites
• Les différentes catégories d’algorithmes: Supervisé / Non-supervisé, Instances / Modèle
• Les défis usuels: qualité des données, quantité, biais préexistants

2.Illustration des concepts sur un projet type

• Poser la bonne question
• Trouver les données
• Explorer les données: Visualisation et statistiques
• Préparer les données: Outliers, Normalisation, Données catégoriques
• Choisir et entraîner un modèle approprié
• Évaluer les performances du modèle

3.Mesurer les performances d’un algorithme, illustré par la classification

• Classification binaire
• Mesures de performance: Précision et rappel, F1, courbe ROC
• Analyser les erreurs d’un classifieur
• Classification multilabel

[Jour 2]

4.Entraîner les modèles, le cas des régressions

• Régression linéaire et sa justification mathématique
• Gradient descent et ses variantes
• Overfit/Underfit: les détecter et y remédier
• Régularisation: Principe, Ridge, Lasso et ElasticNet
• Régression logistique pour la classification

5.SVM et arbres de décision

• Séparer autant que possible les données, l’idée de base
• Projection dans un espace de dimension supérieur, les kernels
• Arbres de décision, classification et régression
• Apprentissage d’ensemble: Forêts, boosting et stacking

6.Réduction de dimension

• Curse of dimensionality
• Projection vs Manifolds
• PCA, l’approche canonique
• PCA avec Kernels
• LLE, T-SNE, etc.