Prenez contact avec nous

Plan du cours

Introduction au Machine Learning appliqué

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

Apprentissage supervisé et non supervisé

  • Langages, types et exemples de Machine Learning
  • Apprentissage supervisé vs non supervisé

Apprentissage supervisé

  • Arbres de décision
  • Forêts aléatoires
  • Évaluation du modèle

Machine Learning avec Python

  • Choix des bibliothèques
  • Outils complémentaires

Régression

  • Régression linéaire
  • Généralisations et non-linéarité
  • Exercices

Classification

  • Rappel sur le théorème de Bayes
  • Bayes naïf
  • Régression logistique
  • K plus proches voisins
  • Exercices

Validation croisée et rééchantillonnage

  • Méthodes de validation croisée
  • Bootstrap
  • Exercices

Apprentissage non supervisé

  • Clustering K-means
  • Exemples
  • Défis de l'apprentissage non supervisé et au-delà de K-means

Réseaux de neurones

  • Couches et nœuds
  • Bibliothèques Python pour réseaux de neurones
  • Travail avec scikit-learn
  • Travail avec PyBrain
  • Deep Learning

Pré requis

Connaissance du langage de programmation Python. Une familiarité de base avec la statistique et l'algèbre linéaire est recommandée.

 28 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (7)

Cours à venir

Catégories Similaires