Formation Fondamentaux de l'intelligence artificielle (IA) et de l'apprentissage automatique

Introduction à l'apprentissage automatique appliqué

• Apprentissage statistique vs apprentissage automatique
• Itération et évaluation
• Compromis biais-variance
• Apprentissage supervisé vs non supervisé
• Problèmes résolus par l'apprentissage automatique
• Entrainement, validation, test – flux de travail ML pour éviter le surapprentissage
• Flux de travail de l'apprentissage automatique
• Algorithmes d'apprentissage automatique
• Choix de l'algorithme approprié au problème

Évaluation des algorithmes

• Évaluation des prévisions numériques
  • Mesures de précision : ME, MSE, RMSE, MAPE
  • Stabilité des paramètres et des prédictions
• Évaluation des algorithmes de classification
  • Exactitude et ses problèmes
  • Matrice de confusion
  • Problème des classes déséquilibrées
• Visualisation des performances du modèle
  • Courbe de profit
  • Courbe ROC
  • Courbe de levier (Lift curve)
• Sélection du modèle
• Ajustement du modèle – stratégies de recherche par grille

Préparation des données pour la modélisation

• Importation et stockage des données
• Comprendre les données – explorations de base
• Manipulation des données avec la bibliothèque pandas
• Transformations de données – Data wrangling
• Analyse exploratoire
• Observations manquantes – détection et solutions
• Valeurs aberrantes – détection et stratégies
• Standardisation, normalisation, binarisation
• Recodage de données qualitatives

Algorithmes d'apprentissage automatique pour la détection de valeurs aberrantes

• Algorithmes supervisés
  • KNN
  • Gradient Boosting ensembles
  • SVM
• Algorithmes non supervisés
  • Basés sur les distances
  • Méthodes basées sur la densité
  • Méthodes probabilistes
  • Méthodes basées sur les modèles

Comprendre l'apprentissage profond

• Aperçu des concepts de base de l'apprentissage profond
• Différencier l'apprentissage automatique et l'apprentissage profond
• Aperçu des applications de l'apprentissage profond

Aperçu des réseaux de neurones

• Qu'est-ce que les réseaux de neurones
• Réseaux de neurones vs modèles de régression
• Comprendre les fondements mathématiques et les mécanismes d'apprentissage
• Construire un réseau de neurones artificiel
• Comprendre les nœuds et les connexions des réseaux
• Travailler avec des neurones, des couches et des données d'entrée et de sortie
• Comprendre les perceptrons à couche unique
• Différences entre l'apprentissage supervisé et non supervisé
• Apprentissage des réseaux de neurones feedforward et récurrents
• Comprendre la propagation avant et la rétropropagation

Construction de modèles d'apprentissage profond simples avec Keras

• Création d'un modèle Keras
• Comprendre ses données
• Spécification de son modèle d'apprentissage profond
• Compilation du modèle
• Entraînement du modèle
• Travailler avec ses données de classification
• Travailler avec des modèles de classification
• Utilisation de ses modèles

Utilisation de TensorFlow pour l'apprentissage profond

• Préparation des données
  • Téléchargement des données
  • Préparation des données d'entraînement
  • Préparation des données de test
  • Mise à l'échelle des entrées
  • Utilisation de variables et de placeholders
• Spécification de l'architecture du réseau
• Utilisation de la fonction de coût
• Utilisation de l'optimiseur
• Utilisation des initialiseurs
• Entraînement du réseau de neurones
• Construction du graphe
  • Inférence
  • Perte (Loss)
  • Entraînement
• Entraînement du modèle
  • Le graphe
  • La session
  • Boucle d'entraînement
• Évaluation du modèle
  • Construction du graphe d'évaluation
  • Évaluation avec la sortie d'évaluation
• Entraînement de modèles à grande échelle
• Visualisation et évaluation des modèles avec TensorBoard

Application de l'apprentissage profond à la détection d'anomalies

• Autoencodeur
  • Architecture Encodeur - Décodeur
  • Perte de reconstruction
• Autoencodeur variationnel
  • Inférence variationnelle
• Réseau adversaire génératif (GAN)
  • Architecture Générateur – Discriminateur
  • Approches de détection d'anomalies (AN) utilisant des GAN

Cadres d'ensembles (Ensemble Frameworks)

• Combinaison des résultats de différentes méthodes
• Bootstrap Aggregating (Bagging)
• Moyennage du score de valeur aberrante