Plan du cours

Introduction à l'apprentissage appliqué Machine Learning

  • Apprentissage statistique vs. apprentissage automatique
  • Itération et évaluation
  • Compromis biais-variance

Machine Learning avec Python

  • Choix des bibliothèques
  • Outils complémentaires

Régression

  • Régression linéaire
  • Généralisations et non-linéarité
  • Exercices

Classification

  • Rappel sur la classification bayésienne
  • Bayes naïf
  • Régression logistique
  • K-Proches voisins
  • Exercices

Validation croisée et rééchantillonnage

  • Approches de validation croisée
  • Bootstrap
  • Exercices

Apprentissage non supervisé

  • K-means clustering
  • Exemples d'apprentissage non supervisé
  • Défis de l'apprentissage non supervisé et au-delà des K-moyennes

Pré requis

Connaissance du langage de programmation Python. Une connaissance de base des statistiques et de l'algèbre linéaire est recommandée.

 14 heures

Nombre de participants


Prix par participant

Nos Clients témoignent (5)

Catégories Similaires