Plan du cours

Introduction à l'apprentissage appliqué Machine Learning

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

Apprentissage supervisé et apprentissage non supervisé

  • Machine Learning Languages, types et exemples
  • Apprentissage supervisé ou non supervisé

Apprentissage supervisé

  • Arbres de décision
  • Random Forests
  • Évaluation du modèle

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

Réseaux neuronaux

  • Couches et nœuds
  • Python bibliothèques de réseaux neuronaux
  • Travailler avec scikit-learn
  • Travailler avec PyBrain
  • Deep Learning

Pré requis

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

  28 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 (2)

Cours Similaires

Catégories Similaires