Machine learning avance

Module 1 : Rappel des aspects fondamentaux de la data science via Python

• Introduction à la data science et ses applications

• Présentation de Python et de ses librairies pour le data science (NumPy, Pandas, Matplotlib, etc.)

• Exploration des données et prétraitement des données

• Création et visualisation de graphes et tableaux de données

• Exercices pratiques pour explorer et prétraiter des données avec Python

Module 2 : Optimisation des performances de son algorithme par la recherche d’hyperparamètres

• Introduction à la notion d’hyperparamètres et leur impact sur les performances de l’algorithme

• Méthodes de recherche d’hyperparamètres : GridSearchCV, RandomizedSearchCV, etc.

• Préparation des données pour la recherche d’hyperparamètres

• Mesure des performances des modèles et interprétation des résultats

• Exercices pratiques pour appliquer la recherche d’hyperparamètres sur des modèles de machine learning avec Python

Jour 2

Module 3: Augmentation de la robustesse de son algorithme via la cross-validation

• Introduction à la cross-validation et ses avantages

• Les différentes méthodes de cross-validation : K-fold, stratified K-fold, LeaveOne-Out, etc.

• Stratégies pour la mise en place de la cross-validation

• Interprétation des résultats de la cross-validation et mesure des performances du modèle

• Exercices pratiques pour appliquer la cross-validation sur des modèles de machine learning avec Python

Module 4 : Assemblage des algorithmes via les techniques ensemblistes

• Introduction aux méthodes ensemblistes et leur importance pour améliorer les performances des modèles de machine learning • Les méthodes ensemblistes les plus utilisées : bagging, boosting, stacking, etc.

• Comment construire et entraîner des modèles ensemblistes

• Mesure des performances des modèles ensemblistes et interprétation des résultats

• Exercices pratiques pour assembler des modèles ensemblistes avec Python

Jour 3

Module 5: Sélection des meilleurs modèles de Machine Learning selon la donnée à disposition

• Choix de la métrique de performance adaptée à la tâche (MSE, MAE, R2 pour la régression ; accuracy, F1-score, AUC pour la classification)

• Utilisation de la validation croisée pour évaluer les performances des modèles

• Comparaison des performances de différents algorithmes

• Sélection du meilleur modèle en fonction des critères de performance

• Exercices pratiques pour sélectionner les meilleurs modèles avec Python

Module 6 : Mise en pratique avec un cas d’étude réel

• Cas d’étude avec des données réelles

• Exercice pratique pour appliquer les concepts vus dans les modules précédents

• Utilisation des bibliothèques scikit-learn et pandas pour préparer les données, optimiser les hyperparamètres, évaluer les performances des modèles et sélectionner le meilleur modèle