Plan du cours
Introduction
Cette section propose une introduction générale sur le moment opportun pour utiliser l'« apprentissage automatique », les éléments à considérer et ce que cela implique, en incluant les avantages et les inconvénients. Types de données (structurées/non structurées/statiques/en streaming), validité/volume des données, analyse pilotée par les données vs pilotée par l'utilisateur, modèles statistiques vs modèles d'apprentissage automatique / défis de l'apprentissage non supervisé, compromis biais-variance, itération/évaluation, approches de validation croisée, apprentissage supervisé/non supervisé/par renforcement.
SUJETS PRINCIPAUX
1. Comprendre Naïve Bayes
- Concepts de base des méthodes bayésiennes
- Probabilité
- Probabilité conjointe
- Probabilité conditionnelle avec le théorème de Bayes
- L'algorithme Naïve Bayes
- La classification Naïve Bayes
- L'estimateur de Laplace
- Utilisation de caractéristiques numériques avec Naïve Bayes
2. Comprendre les arbres de décision
- Diviser pour régner
- L'algorithme d'arbre de décision C5.0
- Choisir la meilleure séparation
- Élaguer 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
- La direction du flux d'information
- Le nombre de nœuds dans chaque couche
- Entraînement des réseaux de neurones par rétropropagation
- Deep Learning
4. Comprendre les machines à vecteurs de soutien
- Classification avec des hyperplans
- Trouver la marge maximale
- Le cas des données linéairement séparables
- Le cas des données non linéairement séparables
- Utilisation de noyaux pour les espaces non linéaires
5. Comprendre le clustering
- Le clustering en tant que tâche d'apprentissage automatique
- 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 la performance pour la classification
- Travailler avec les données de prédiction de classification
- Examen approfondi des matrices de confusion
- Utilisation des matrices de confusion pour mesurer la performance
- Au-delà de la précision – autres mesures de performance
- Le statistique Kappa
- Sensibilité et spécificité
- Précision et rappel
- La mesure F
- Visualisation des compromis de performance
- Courbes ROC
- Estimation de la performance future
- La méthode de l'échantillon hors jeu
- Validation croisée
- Échantillonnage de bootstrap
7. Ajuster les modèles standards pour de meilleures performances
- Utilisation de caret pour le réglage automatisé des paramètres
- Création d'un modèle simple réglé
- Personnalisation du processus de réglage
- Amélioration des performances du modèle grâce au méta-apprentissage
- Compréhension des ensembles
- Bagging
- Boosting
- Forêts aléatoires
- Entraînement des forêts aléatoires
- Évaluation des performances des forêts aléatoires
SUJETS SECONDAIRES
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 utilisation avec kNN
- Pourquoi l'algorithme kNN est-il paresseux ?
9. Comprendre les règles de classification
- Séparer pour régner
- L'algorithme One Rule
- L'algorithme RIPPER
- Règles extraites des arbres de décision
10. Comprendre la régression
- Régression linéaire simple
- Estimation par moindres carrés ordinaires
- Corrélations
- Régression linéaire multiple
11. Comprendre les arbres de régression et les arbres de modèles
- Ajout de la régression aux arbres
12. Comprendre les règles d'association
- L'algorithme Apriori pour l'apprentissage de règles d'association
- Mesure de l'intérêt des règles – support et confiance
- Construction d'un ensemble de règles selon le principe d'Apriori
Suppléments
- Spark/PySpark/MLlib et les bandits multi-bras
Pré requis
Connaissances en 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
