Machine Learning et Deep Learning avec Python

- Concepts du Machine Learning (1.5 jour)
Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle
Présentation des différents type d'apprentissage
Principe de la régression linéaire
Compromis Biais Variance
Modèles ensemblistes (Random Forest)
Modèles non linéaires (support vector Machine, Multi Layer Perceptron)
Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)
Bonnes pratiques en Data Science

- Prise en main de la librairie scikit-learn (2 jours)
Présentation de scikit-learn
Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)
Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)
Sélection des variables
Importance des variables (globale et locales avec les algorithmes LIME et SHAP)
Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé

- Introduction au Deep Learning (1.5 jour)
Zoologie des types de couches de neurones artificielles
Principes de rétropropagation et mise à jour des paramètres
Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d'image
Principe du transfer learning, knowledge distillation et entraînement à partir de 0
Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)