Introduction au Machine Learning

• Définition
• Vocabulaire
• A quelles questions répond le Machine Learning ?
• Atelier : Introduction au Machine Learning

Exploration des données

• Explorer les données pour un algorithme dit de régression
• Explorer les données pour un algorithme dit de classement
• Azure Machine Learning Workbench et Azure Notebook
• Atelier : Visualiser les données pour une régression et pour une classification

Préparer les données

• Gérer les données dupliquées
• Gérer les données manquantes
• Gérer les erreurs
• Transformer et splitter les données
• Etudier les "features"
• Azure Machine Learning Workbench et Azure Notebook
• Atelier : Préparer les données en Pyhton et avec Azure Machine Learning Workbench

Algorithme supervisée

• Les bases de Scikit-Learn
• Régression linéaire et classification
• Logistic regression
• Loss Function et ROC
• Atelier : Créer un modèle de régression et de classification

Amélioration du modèle

• Selection des "features"
• Régularisation
• Interpréter les "features"
• Paramètres
• Validation croisée
• Atelier : Selection, réduction, cross-validation, Biais-Variance Trade-Off

Entraîner et déployer le modèle dans Azure

• Entraîner localement un modèle
• Entraîner le modèle dans le Cloud
• Déployer son modèle
• Atelier : Entraîner et déployer le modèle

Les autres algorithmes

• Arbres de décisions
• Méthodes des ensembles
• Réseaux de neurones
• Support Vector Machines (SVM)
• Théorème de Bayes
• Atelier : Bagging, Boosting, RNN, SVM, Naïve Bayes

Algorithme non-supervisé

• Clustering
• Atelier : Application d'un cluster