S’initier à Machine Learning
- Comprendre les concepts de base du machine learning
- Explorer les différents types d'apprentissage (supervisé, non supervisé, par renforcement)
- Apprendre les étapes du cycle de vie d'un projet de machine learning
- Découvrir les outils et bibliothèques populaires en machine learning
- Aborder les questions d'éthique et de responsabilité dans machine learning
- Examiner des exemples concrets d'applications du machine learning
Préparer des données
- Comprendre l'importance de la collecte de données et des sources de données
- Apprendre les techniques de nettoyage et de prétraitement des données
- Effectuer une exploration approfondie des données (Data Exploration)
- Maîtriser les méthodes de transformation et de normalisation des données
- Gérer efficacement les valeurs manquantes dans les données
- Séparer les ensembles de données en ensembles d'entraînement, de validation et de test
Reconnaitre les modèles de Machine Learning
- Comprendre la régression linéaire et la régression logistique
- Maîtriser les arbres de décision et les forêts aléatoires
- Utiliser les machines à vecteurs de support (SVM)
- Explorer les réseaux de neurones artificiels (Deep Learning)
- Appliquer les méthodes de clustering (K-Means, DBSCAN)
- Découvrir les méthodes d'apprentissage par renforcement
Découvrir l’entraînement des modèles
- Comprendre la fonction de coût et le processus d'optimisation
- Mettre en pratique la validation croisée (Cross-Validation)
- Sélectionner judicieusement les caractéristiques pertinentes (Feature Selection)
- Ajuster les hyperparamètres de manière optimale
- Explorer l'apprentissage en ligne (Online Learning)
- Gérer les problèmes de surapprentissage (Overfitting) et de sous-apprentissage (Underfitting)
Évaluer et interpréter des modèles
- Utiliser des mesures de performance en classification et en régression
- Analyser la matrice de confusion et tracer la courbe ROC
- Interpréter les modèles en mettant en évidence l'importance des caractéristiques
- Visualiser les résultats et les décisions prises par les modèles
- Comparer différents modèles pour choisir le meilleur
- Appliquer des méthodes d'explication de modèle telles que LIME et SHAP
Appliquer Machine Learning
- Appliquer le machine learning au traitement du langage naturel (NLP)
- Utiliser le machine learning pour la vision par ordinateur et la reconnaissance d'images
- Mettre en place des systèmes de recommandation de produits et de filtrage collaboratif
- Prévoir des séries temporelles à l'aide du machine learning
- Utiliser le machine learning dans le diagnostic médical et l'imagerie médicale
- Explorer l'automatisation des processus métier grâce au machine learning
