Machine learning

0 %

Contenu du cours

Présentation du cours
Présentation du machine learning
Apprentissage supervisé: régression linéaire
Travaux dirigés 1
- TD-1: Régression linéaire et descente de gradient
Sur-apprentissage et régularisation
- Régularisation avec Ridge
- Régularisation Lasso et Elastic net
Travaux dirigés 2
- TD-2: Moindres carrés, Régression de Ridge et Surapprentissage
Sélection de modèle et évaluation
- Evaluer et sélectionner un modèle
- Jeux de donnees: entrainement, test et validation
- La validation croisée
- Compromis biais-variance
- Décomposition biais-variance
Optimisation d’hyperparamètres
- Recherche en grille & recherche aléatoire
Travaux dirigés 3
- TD-3: Validation croisée et décomposition Biais-Variance
Apprentissage supervisé: classification
- Régression logistique & classification binaire
- Classification multi-classe
- Critères de performance
- Autres algorithmes de classification
Travaux dirigés 4
- TD-4: Régression Logistique
Réduction de dimension
- Pourquoi réduire la dimension?
- Fléau de la dimension
- Réduction par sélection de variables
- Réduction par extraction de variables
- [Bonus] Réduction par extraction de variables
Apprentissage supervisé: méthodes à noyaux
- Illustration avec les SVM
Travaux dirigés 5
- TD-5: SVM
Apprentissage non-supervisé: clustering
Travaux dirigés 6
- TD-5: Clustering K-Means
Projet guidé
- 1 - Preparation et Exploration de données
- 2 - Evaluer votre projet ML avec DeepFix
- 3 - Pipeline d'apprentissage automatique
- 4 - Classification de comportements
- 5 - Prédiction de l'attrition de clients
Projets non-guidés
- Liste de projets

Formulation du problème

Fullscreen Share

À propos
Commentaires (0)

Référence: Chloé-Agathe Azencott, Introduction au Machine Learning, version électronique gratuite (sans exercices)

Les commentaires ne sont pas activés sur ce cours.