Objectifs
Résultats attendus
Résultats attendus
Attestation de formation
Objectifs de la formation
Objectifs de la formation
Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels
Domaines
Domaine(s)
Langage Python
Analyse de données
Contenu
Contenu
- Concepts du Machine Learning (1.5 jour)
- Tour d’horizon des applications du Machine Learning/Deep Learning et intelligence artificielle
- Présentation des différents type d’apprentissage
- Principe de la régression linéaire
- Compromis Biais Variance
- Modèles ensemblistes (Random Forest)
- Modèles non linéaires (support vector Machine, Multi Layer Perceptron)
- Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)
- Bonnes pratiques en Data Science
- Prise en main de la librairie scikit-learn (2 jours)
- Présentation de scikit-learn
- Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)
- Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)
- Sélection des variables
- Importance des variables (globale et locales avec les algorithmes LIME et SHAP)
- Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé
- Introduction au Deep Learning (1.5 jour)
- Zoologie des types de couches de neurones artificielles
- Principes de rétropropagation et mise à jour des paramètres
- Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d’image
- Principe du transfer learning, knowledge distillation et entraînement à partir de 0
- Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)