Machine Learning

Machine learning ………………

Formation I. Base du Machine Learning

5 jours - Niveau ⦿⦿⦾⦾⦾

Objectifs

……

Public concerné

……

Prérequis

……

Modalités pédagogiques

Apport théorique et mise en pratique à travers des cas concrets.

Méthode d'évaluation

Quizz en fin de chapitres, examen technique


Plan de la formation

  • Introduction
  • Cas supervisé
    • La regression linéaire : prédire une variable quantitative
      • Regression linéaire simple sans régularisation
      • Regression linéaire avec régularisation (Ridge, Lasso, ElasticNet)
      • Cas d'application: prédire le loyer d'un appartement
    • La classification supervisée : prédire une variable qualitative
      • Les méthodes classiques (arbres de décision, SVM)
      • Les méthodes ensemblistes (RandomForrest, AdaBoost)
      • Les réseaux de neurones (MLP, CNN)
      • Cas d'application: prédire des chiffres manuscrits (MNIST)
  • Cas non supervisé
    • Clustering : partitionnement des données
      • Kmeans
      • DBscan
      • Agglomerative
      • Cas d'application: regrouper les films similaires
    • Réduction de dimension
      • Analyse en Composante Principale
      • Analyse Factorielle
      • t-SNE
      • Cas d'application: Visualisation sur 2D