Formation "Machine Learning"

Les objectifs

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

Public :

Tout public

Pré-requis

Posséder de bonnes notions de programmation avec R

Disposer des connaissances de base en statistiques, en particulier la régression et classification.

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

Evaluation des acquis

Questionnaire

Méthodes pédagogiques

Exposés et échanges

Étude de cas pratiques sous R

Référence : MACLE

Responsable pédagogique

Pour en savoir plus...

Conditions Générales de Vente Personnes handicapées

Personnes handicapées : contactez notre référente handicap pour connaitre les possibilités d’accès à cette formation.

Règlement intérieur