Formation Python pour les Scientifiques avec Scikit-Learn

Programme de la formation Python Scientifique avec Scikit.Learn

Introduction

• Qu’est-ce que le Machine Learning ?
• Apprentissage Machine Learning ?
• Installation scikit-learn
• Clean Data
• Sur-ajustement et la généralisation
• Validation croisée
• Bias-Variance Trade-Off
• Vérification et mise à jour de l’installation de scikit-learn
• Solutions et Avantages : L’état des arts
  • Tensorflow et Keras
  • Scikit‐learn
  • Deeplearning for Java
  • pytorch et fastai

Concepts de bases de SCIKIT

• Algorithmes, vocabulaire
• Panorama de scikit-learn
• Démarche d’apprentissage
• Périmètre du toolkit, domaine d’application
• Structure
• Représentation des données et principes de l’API
• La documentation

MÉTHODES DE MACHINE LEARNING

• Les méthodes supervisées
  • KNN
  • SVM
  • Réseaux de neurones
  • Réseau bayésien naif
  • Régression pénalisée
  • Boosting
  • Random forest
• Les méthodes non supervisées
  • Clustering
  • Règles d’associations et de séquences
  • Traitement du texte (text mining)

Catégories de problèmes et mise en oeuvre

• Classification
  • Définition des arbres de décision
  • Arbres de décision
  • Modèles d’ensemble
  • Classificateur de Random Forest
• Régression
  • Arbres de décision
  • Modèles de régression
  • Définition d’un hyperplan
  • Anatomie d’un estimateur
  • Régression linéaire simple
  • La fonction COST
  • Qu’est-ce que R-Squared ?
  • Évaluation du modèle
  • Régularisation
  • Régression linéaire à plusieurs variables
  • Régression linéaire appliquée
  • Visualisation de notre DataSet
• Clustering
  • Animation du Cluster K-Means
  • L’algorithme K-Means
  • Application du Clustering K-Means
• Autres algorithmes disponibles

Les modèles

• Validation des modèles
• Préparation des modèles
  • Cas des images
  • Cas des textes
  • Réduction des dimensions
  • Autres préparations

Optimisation

• Comment régler son algo de ML ?
• HPO = Hyper Parameter Optimization
• AutoML
• Présentation d’un kaggle master
  • Utilisation d’optimisation bayésienne

Utilisation des paramètres de gestion SCIKIT

• Choisir le bon estimateur et les bons paramètres
• Interopérabilité avec écosystème python scientifique
• Performance et montées en charge
  • Stratégie
  • Outils