Formation Machine Learning avec scikit-learn
Informations générales
Objectifs
Après ce cours, vous serez capable de :
- Mettre en oeuvre scikit-learn pour de l'apprentissage machine et l'analyse de données
Public
Ce cours s'adresse avant tout aux personnes suivantes :
- Chefs de projet, data-scientists, souhaitant comprendre le fonctionnement de scikit-learn
Prérequis
Pour suivre ce cours, vous devez déjà posséder les connaissances suivantes :
- Connaissance de python et d'une bibliothèque de calcul telle que numpy ou pandas
Programme de la formation
Présentation
- Historique
- Fonctionnalités
- Lien avec Numpy et Scipy
Manipulation de données
- Chargement de données
- Pré-traitement de données: standardisation, transformations non linéaires, discrétisation
- Génération de données
Analyse des données et classification
- Modèles: linéaires, quadratiques, descente de gradient
- Algorithmes, choix d'un estimateur.
- Classification : k-voisins, régression logistique, classification naïve bayésienne, arbres de décision, forêts aléatoires, SVC
- Régression : régression linéaire, lasso, SGDr, SVR
- Détection de groupes : k-moyennes, Spectral Clustering/GMM
- Analyse globale : Randomized PCA, kernel approximation
- Atelier : classification automatique d'un jeu de données à partir d'une régression logistique
- Création de jeux d'essai, entraînement et construction de modèles.
- Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC.
- Parallélisation des algorithmes. Choix automatique.
- Atelier : Mise en évidence des erreurs d'apprentissage en fonction des hyper-paramètres
- Recherche de clusters: modélisations, algorithmes, et méthodes d'évaluation
- Réseaux de neurones
Modèles d'apprentissage
- Chargement et enregistrement
- Génération de modèles
- Estimation de la performance d'un modèle
- Mesures de performance
- Modification des hyper-paramètres
- Application pratique avec les courbes d'évaluations
Méthode pédagogique
Chaque participant travaille sur un poste informatique qui lui est dédié. Un support de cours lui est remis soit en début soit en fin de cours. La théorie est complétée par des cas pratiques ou exercices corrigés et discutés avec le formateur. Le formateur projette une présentation pour animer la formation et reste disponible pour répondre à toutes les questions.
Méthode d'évaluation
Tout au long de la formation, les exercices et mises en situation permettent de valider et contrôler les acquis du stagiaire. En fin de formation, le stagiaire complète un QCM d'auto-évaluation.
Mis à jour le 29/01/2024