Formation "Machine Learning" 2021

Prédiction et prise de décision

Points forts : mettre en œuvre les principaux algorithmes sur des données réelles, analyser leurs résultats et comparer leurs performances.

Objectifs : 

• Comprendre les différents modèles d'apprentissage
• Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème

Publics

• Tout public

Pré-requis

Disposer de bonnes bases en statistique inférentielle, en particulier en analyse discriminante par arbres de décision et en régression linéaire

Disposer de bonnes notions de programmation avec R

Programme

Introduction

• Définition et historique
• Modélisation et apprentissage automatique
• Apprentissage supervisé et non supervisé

Procédure d'apprentissage

• Choix de la méthode
• Phénomène de sous-apprentissage et sur-apprentissage (Underfitting/Overfitting)
• Validation croisée, validation externe
• Comparaison de modèles

Principaux algorithmes

• Régression :
  • régression linéaire
  • fonction coût / perte 
  • optimisation (descente du gradient) 
  • méthodes de régression : multiple, ridge, Lasso, ElasticNet, PLS

• Classification :
  
  • régression logistique
  • support Vector Machine 
  • arbres de décision
  • forêts aléatoires 
  • KNN

• Clustering :
  
  • K-means
  • spectral clustering
  • DBSCAN

Modalités de suivi et d'évaluation

Questionnaire en fin de formation

Méthodes pédagogiques

Exposés et échanges

Étude de cas pratiques sous R