Plan du cours
Introduction
Cette section offre une introduction générale aux situations où utiliser le « machine learning », aux éléments à considérer et à ce que cela signifie, y compris les avantages et les inconvénients. Types de données (structurées/non structurées/statiques/en flux), validité/volume des données, analytique pilotée par les données vs pilotée par l'utilisateur, modèles statistiques vs modèles de machine learning / défis de l'apprentissage non supervisé, arbitrage biais-variance, itération/évaluation, approches de validation croisée, supervision/non supervision/apprentissage par renforcement.
SUJETS MAJEURS
1. Comprendre Naive Bayes
- Concepts de base des méthodes bayésiennes
- Probabilité
- Probabilité conjointe
- Probabilité conditionnelle avec le théorème de Bayes
- L'algorithme Naive Bayes
- La classification Naive Bayes
- L'estimateur de Laplace
- Utilisation de fonctionnalités numériques avec Naive Bayes
2. Comprendre les arbres de décision
- Séparer et conquérir
- L'algorithme d'arbre de décision C5.0
- Choisir la meilleure division
- Élagage de l'arbre de décision
3. Comprendre les réseaux de neurones
- Des neurones biologiques aux neurones artificiels
- Fonctions d'activation
- Topologie du réseau
- Le nombre de couches
- Le sens de propagation de l'information
- Le nombre de nœuds dans chaque couche
- Formation des réseaux de neurones par rétropropagation
- Deep Learning
4. Comprendre les machines à vecteurs de support
- Classification par hyperplans
- Recherche de la marge maximale
- Cas des données linéairement séparables
- Cas des données non linéairement séparables
- Utilisation de noyaux pour les espaces non linéaires
5. Comprendre le clustering
- Le clustering en tant que tâche de machine learning
- L'algorithme k-means pour le clustering
- Utilisation de la distance pour assigner et mettre à jour les clusters
- Choisir le nombre approprié de clusters
6. Mesurer les performances pour la classification
- Travailler avec des données de prédiction de classification
- Examen approfondi des matrices de confusion
- Utilisation des matrices de confusion pour mesurer les performances
- Au-delà de la précision – autres mesures de performance
- La statistique kappa
- Sensibilité et spécificité
- Précision et rappel
- La mesure F
- Visualisation des compromis de performance
- Courbes ROC
- Estimation des performances futures
- La méthode de test (holdout)
- Validation croisée
- Échantillonnage Bootstrap
7. Ajuster les modèles standard pour de meilleures performances
- Utilisation de caret pour l'ajustement automatique des paramètres
- Création d'un modèle ajusté simple
- Personnalisation du processus d'ajustement
- Amélioration des performances du modèle par méta-apprentissage
- Comprendre les ensembles
- Bagging
- Boosting
- Forêts aléatoires
- Formation des forêts aléatoires
- Évaluation des performances des forêts aléatoires
SUJETS MINEURS
8. Comprendre la classification par les plus proches voisins
- L'algorithme kNN
- Calcul de la distance
- Choix d'un k approprié
- Préparation des données pour l'utilisation avec kNN
- Pourquoi l'algorithme kNN est-il « paresseux » ?
9. Comprendre les règles de classification
- Séparer et conquérir
- L'algorithme One Rule
- L'algorithme RIPPER
- Règles issues des arbres de décision
10. Comprendre la régression
- Régression linéaire simple
- Estimation des moindres carrés ordinaires
- Corrélations
- Régression linéaire multiple
11. Comprendre les arbres de régression et les modèles d'arbres
- Ajouter la régression aux arbres
12. Comprendre les règles d'association
- L'algorithme Apriori pour l'apprentissage des règles d'association
- Mesure de l'intérêt des règles – support et confiance
- Construction d'un ensemble de règles avec le principe d'Apriori
Extras
- Spark/PySpark/MLlib et bandits multi-bras
Pré requis
Connaissances de Python
Nos clients témoignent (7)
J'ai beaucoup apprécié la formation et le fait de pouvoir approfondir le sujet de l'apprentissage automatique. J'ai particulièrement aimé l'équilibre entre la théorie et les applications pratiques, en particulier les sessions de codage pratiques. Le formateur a fourni des exemples captivants et des exercices bien conçus qui ont enrichi l'expérience d'apprentissage. Le cours a abordé une large gamme de sujets, et Abhi a démontré un excellent niveau d'expertise en répondant à toutes les questions avec clarté et facilité.
Valentina
Formation - Machine Learning
Traduction automatique
J'ai apprécié l'exercice qui m'a aidé à comprendre la théorie et à l'appliquer étape par étape. De même, la façon dont le formateur expliquait tout de manière simple et claire. C'était facile à suivre, même si je ne suis pas très expérimenté avec Python. Néanmoins, je ne voulais pas manquer l'occasion d'apprendre quelque chose qui m'intéresse vraiment. J'ai également apprécié la variété des informations fournies et la disponibilité du formateur pour expliquer et nous soutenir dans la compréhension des concepts. Après ce cours, les concepts d'apprentissage automatique sont beaucoup plus clairs pour moi, et maintenant j'ai l'impression d'avoir une direction et une meilleure compréhension du sujet.
Cristina
Formation - Machine Learning
Traduction automatique
À la fin de la formation, j'ai pu voir les cas d'utilisation réels des sujets présentés.
Daniel
Formation - Machine Learning
Traduction automatique
J'ai apprécié le rythme, l'équilibre entre théorie et pratique, les principaux sujets abordés ainsi que la façon dont le formateur a réussi à tout mettre en perspective. J'aime également beaucoup votre infrastructure de formation, très pratique pour travailler avec des machines virtuelles.
Andrei
Formation - Machine Learning
Traduction automatique
Garder cela court et simple. Créer des intuitions et des modèles visuels autour des concepts (arbre de décision, équations linéaires, calculer y_pred manuellement pour montrer comment le modèle fonctionne).
Nicolae - DB Global Technology
Formation - Machine Learning
Traduction automatique
Cela m'a aidé à atteindre mon objectif de comprendre l'IA. Un grand respect pour Pablo qui a donné une introduction appropriée sur ce sujet, car il devient évident après 3 jours de formation à quel point ce sujet est vaste. J'ai également beaucoup apprécié l'idée des machines virtuelles que vous avez fournies, qui avaient une très bonne latence ! Cela a permis à chaque apprenant de faire des expériences à son rythme.
Silviu - DB Global Technology
Formation - Machine Learning
Traduction automatique
La façon dont la partie pratique fait passer la théorie à l'acte est formidable.
Lisa Fekade - Vodacom
Formation - Machine Learning
Traduction automatique
