Plan du cours

Introduction

Cette section fournit une introduction générale sur l'utilisation de l'apprentissage automatique, sur ce qu'il faut prendre en compte et sur ce que cela signifie, y compris les avantages et les inconvénients. Types de données (structurées/non structurées/statiques/en continu), validité/volume des données, analyse axée sur les données ou sur l'utilisateur, modèles statistiques ou modèles d'apprentissage automatique, défis de l'apprentissage non supervisé, compromis biais-variance, itération/évaluation, approches de validation croisée, supervisé/non supervisé/renforcement.

THÈMES PRINCIPAUX.

1. Comprendre les Bayes naïfs

  • Concepts de base des méthodes bayésiennes
  • Probabilité
  • Probabilité conjointe
  • Probabilité conditionnelle avec le théorème de Bayes
  • L'algorithme naïf de Bayes
  • La classification naïve de Bayes
  • L'estimateur de Laplace
  • Utilisation de caractéristiques numériques avec Bayes naïf

2. Comprendre les arbres de décision

  • Diviser pour mieux régner
  • L'algorithme de l'arbre de décision C5.0
  • Choisir la meilleure division
  • Élaguer l'arbre de décision

3. Comprendre les réseaux neuronaux

  • Des neurones biologiques aux neurones artificiels
  • Fonctions d'activation
  • Topologie du réseau
  • Le nombre de couches
  • Le sens de circulation de l'information
  • Le nombre de nœuds dans chaque couche
  • Formation de réseaux neuronaux avec la rétropropagation
  • Deep Learning

4. Comprendre les machines à vecteurs de support

  • Classification à l'aide d'hyperplans
  • Recherche de la marge maximale
  • Le cas des données linéairement séparables
  • Le cas des données séparables non linéaires
  • Utilisation de noyaux pour les espaces non linéaires

5. Comprendre le regroupement

  • Le regroupement en tant que tâche d'apprentissage automatique
  • L'algorithme des k-moyennes pour le regroupement
  • Utilisation de la distance pour affecter et mettre à jour les grappes
  • Choix du nombre approprié de grappes

6. Mesurer les performances de la classification

  • Travailler avec des données de prédiction de classification
  • Regarder de plus près les matrices de confusion
  • Utiliser les matrices de confusion pour mesurer les performances
  • Au-delà de la précision &ndash ; d'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 d'attente
  • Validation croisée
  • Échantillonnage Bootstrap

7. Mise au point des modèles de stock pour une meilleure performance

  • Utilisation de Caret pour l'ajustement automatisé des paramètres
  • Création d'un modèle simple
  • Personnaliser le processus de réglage
  • Améliorer les performances du modèle avec le méta-apprentissage
  • Comprendre les ensembles
  • Mise en sac
  • Boosting
  • Forêts aléatoires
  • Entraînement des forêts aléatoires
  • Évaluer les performances des forêts aléatoires

THÈMES MINEURS

8. Comprendre la classification à l'aide des voisins les plus proches

  • L'algorithme kNN
  • Calcul de la distance
  • Choix d'un k approprié
  • Préparer les données pour l'utilisation de l'algorithme kNN
  • Pourquoi l'algorithme kNN est-il paresseux ?

9. Comprendre les règles de classification

  • Séparer pour mieux régner
  • L'algorithme de la règle unique
  • L'algorithme RIPPER
  • Règles issues d'arbres de décision

10. Comprendre la régression

  • Régression linéaire simple
  • Estimation par les moindres carrés ordinaires
  • Corrélations
  • Régression linéaire multiple

11. Comprendre les arbres de régression et les arbres de modèle

  • Ajouter la régression aux arbres

12. Comprendre les règles d'association

  • L'algorithme Apriori pour l'apprentissage des règles d'association
  • Mesurer l'intérêt &ndash ; le soutien et la confiance des règles
  • Construire un ensemble de règles avec le principe d'Apriori

Extras

  • Spark/PySpark/MLlib et les bandits à plusieurs bras
  21 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.

Prix par participant

Nos Clients témoignent (5)

Cours Similaires

Catégories Similaires