Machine learning

Présentation du cours
Présentation du machine learning
- Qu’est-ce que le machine learning?
- Pourquoi utiliser le machine learning?
- Types de problèmes de machine learning
- Illustration
Apprentissage supervisé: régression linéaire
- Introduction à l'apprentissage supervisé
- Modélisation paramétrique
- Formulation du problème
- Fonctions coûts
- Comment choisir une fonction coût?
- Optimisation: la méthode des moindres carrés
- Optimisation: méthode de la descente de gradient
- Illustration de la descente de gradient
- [Bonus] Optimisation: méthode par maximisation de vraisemblance
- Généralisation, sur-apprentissage, sous-apprentissage
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
- Introduction
- Méthode des k-moyennes (k-means)
- Méthode de modèle de mélange gaussien
- Evaluation de la qualite d'un algorithme de 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