Objectifs pédagogiques / Compétences visées
- Expliquer et mettre en place un processus complet de Machine Learning
- Explorer et préparer les données
- Choisir et appliquer le bon algorithme
- Entraîner et améliorer votre modèle et le déployer.
Niveau requis
Connaître les bases du Cloud Microsoft Azure et les bases du langage Python.
Public concerné
Développeurs, datascientists.
Programme
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
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)