Cours de certification en Machine Learning avec Python

Que allez-vous apprendre ?

1. Remise à niveau en mathématiques

   Cours gratuit 1

   • Probabilités et statistiques
   • Géométrie analytique
   • Algèbre linéaire
   • Valeurs propres, vecteurs propres et décomposition en éléments propres
   • Introduction au calcul infinitésimal

2. Les statistiques essentielles à la science des données

   Cours gratuit 2

   • Introduction aux statistiques
   • Comprendre les données
   • Statistiques descriptives
   • Visualisation des données
   • Probabilité
   • Lois de probabilité
   • Échantillonnage et techniques d’échantillonnage
   • Statistique inférentielle
   • Application de la statistique inférentielle
   • Relation entre les variables
   • Application des statistiques en entreprise
   • Pratique guidée

3. Introduction

   Leçon 01

   Commencez ce programme en prenant connaissance des différentes sections du cours et des sujets abordés. Cela vous aidera à bien vous préparer aux prochaines séances.

4. Introduction à l’apprentissage automatique

   Leçon 02

   Le cours aborde les concepts fondamentaux de l’apprentissage automatique, notamment sa définition et ses différents types. Il examine également de manière approfondie le pipeline d’apprentissage automatique, le MLOps et l’AutoML, afin de mieux comprendre le déploiement à grande échelle des modèles d’apprentissage automatique. En outre, les étudiants découvrent les principales bibliothèques Python dédiées aux tâches d’apprentissage automatique, ce qui leur permet de tirer parti du riche écosystème de Python pour développer des solutions dans ce domaine.

   Sujets :

   • Qu’est-ce que l’apprentissage automatique ?
   • Les différents types d’apprentissage automatique
   • Pipeline d’apprentissage automatique, MLOps et AutoML
   • Introduction aux packages Python pour l’apprentissage automatique

5. Apprentissage supervisé

   Leçon 03

   La section consacrée à l’apprentissage supervisé explore ses applications pratiques dans différents domaines et s’accompagne de discussions sur sa pertinence et son importance dans des situations réelles. Les étudiants participent à des activités pratiques pour préparer et mettre en forme les données destinées aux tâches d’apprentissage supervisé, puis abordent les questions de surapprentissage et de sous-apprentissage. Des exercices pratiques sont également proposés pour détecter et éviter ces problèmes, ainsi qu’un éclairage sur les techniques de régularisation permettant d’optimiser les performances des modèles et de réduire le surapprentissage.

   Sujets :

   • Apprentissage supervisé
   • Applications de l’apprentissage supervisé
   • Surapprentissage et sous-apprentissage
   • Régularisation

6. La régression et son application

   Leçon 04

   Cette section présente les bases de l’analyse de régression, en abordant sa définition et ses différents types, notamment les régressions linéaire, logistique, polynomiale, ridge et lasso. Les échanges mettent en évidence les hypothèses fondamentales sur lesquelles repose la régression linéaire, tandis que des exercices pratiques permettent de s’initier à la modélisation par régression linéaire. Les participants exploreront également les données à l’aide de techniques telles que le suréchantillonnage SMOTE et apprendront à préparer, à construire et à évaluer des modèles de régression afin de maîtriser l’analyse de régression.

   Sujets :

   • Qu’est-ce que la régression ?
   • Types de régression
   • Régression linéaire
   • Hypothèses fondamentales de la régression linéaire
   • Régression logistique
   • Suréchantillonnage avec SMOTE
   • Régression polynomiale
   • Régression ridge
   • Régression Lasso

7. Classification et applications

   Leçon 05

   Cette section présente les algorithmes de classification, leurs définitions, leurs types et leurs applications, ainsi que le choix des indicateurs de performance. Les participants découvrent différentes techniques de classification, telles que la classification naïve bayésienne, la descente de gradient stochastique, les k plus proches voisins, les arbres de décision, les forêts aléatoires, Boruta et les machines à vecteurs de support, au travers de discussions et d’exercices guidés. Des concepts clés, comme le kappa de Cohen, sont également abordés, puis des évaluations des connaissances permettent de consolider la compréhension.

   Sujets :

   • Que sont les algorithmes de classification ?
   • Différents types de classification
   • Types d’applications et choix des paramètres de performance
   • Bayésien naïf
   • Descente de gradient stochastique
   • Populations des K voisins
   • Arbre de décision Forêt aléatoire
   • Boruta
   • Machine à vecteurs de support
   • Le manteau de Cohen

8. Algorithmes non supervisés

   Leçon 06

   Cette partie initie les étudiants aux algorithmes d'apprentissage non supervisé, en présentant leurs types, leurs applications et leurs paramètres de performance. Les participants réalisent des activités pratiques, comme la visualisation des résultats et la mise en œuvre de techniques telles que la classification hiérarchique, le partitionnement en k-moyennes (K-Means) et l'algorithme des k-médoïdes (K-Medoids). Ils explorent également des méthodes de détection d'anomalies et des techniques de réduction de dimension, telles que l'analyse en composantes principales (ACP), la décomposition en valeurs singulières et l'analyse en composantes indépendantes. Des exercices guidés illustrent les applications pratiques de ces algorithmes et permettent aux étudiants d'approfondir leur compréhension des concepts de l'apprentissage non supervisé.

   Sujets abordés :

   • Algorithmes non supervisés
   • Différents types d’algorithmes d’apprentissage non supervisé
   • Quand utiliser des algorithmes d’apprentissage non supervisé ?
   • Paramètres de performance
   • Types de partitionnement
   • Partitionnement en k-moyennes
   • Algorithme des k-médoïdes
   • Valeurs aberrantes
   • Détection des valeurs aberrantes
   • Analyse en composantes principales
   • Analyse des correspondances et analyse des correspondances multiples (ACM)
   • Décomposition en valeurs singulières
   • Analyse en composantes indépendantes
   • Réduction itérative équilibrée et regroupement hiérarchique (BIRCH)

9. Apprentissage ensembliste

   Leçon 07

   Cette section présente les algorithmes de classification, leurs définitions, leurs types et leurs applications, ainsi que le choix des indicateurs de performance. Les participants explorent différentes techniques de classification, telles que la classification bayésienne naïve, la descente de gradient stochastique, les k plus proches voisins, les arbres de décision, les forêts aléatoires, Boruta et les machines à vecteurs de support, au moyen de discussions et d’exercices guidés. Des concepts clés, comme le coefficient kappa de Cohen, sont également abordés, puis des évaluations des connaissances permettent de consolider la compréhension.

   Sujets :

   • Que sont les algorithmes de classification ?
   • Différents types de classification
   • Types d’applications et choix des paramètres de performance
   • Bayes naïf
   • Descente de gradient stochastique
   • Populations des k voisins
   • Arbre de décision Forêt aléatoire
   • Boruta
   • Machine à vecteurs de support
   • Le manteau de Cohen

10. Systèmes de recommandation

    Leçon 08

    Ce module offre une vue d’ensemble complète des moteurs de recommandation et explore leurs principes et mécanismes sous-jacents. Les participants découvrent divers cas d’usage et exemples de systèmes de recommandation et se familiarisent avec leur conception et leur mise en œuvre. Au travers d’exercices pratiques, ils appliquent des techniques de filtrage collaboratif, notamment la modélisation fondée sur la mémoire, le filtrage fondé sur les objets et sur les utilisateurs, ainsi que le filtrage collaboratif fondé sur des modèles. Ils explorent également la réduction de dimensionnalité, les méthodes de factorisation matricielle et les matrices de précision en apprentissage automatique afin d’évaluer et d’optimiser les performances des moteurs de recommandation.

    Sujets :

    • Comment fonctionnent les systèmes de recommandation ?
    • Cas d’utilisation des moteurs de recommandation
    • Exemples de systèmes de recommandation et de leur conception ¨
    • Utiliser PyTorch pour créer un moteur de recommandation.

11. Projets industriels

    À la fin du cours, vous réaliserez deux projets. Vous mettrez en pratique tout ce que vous avez appris et acquerrez une expérience concrète grâce à vos nouvelles connaissances.

    • Projet 1 : Analyse de la rotation du personnel — Créer des programmes d’apprentissage automatique pour prédire les départs des employés, en intégrant des contrôles de qualité des données, une analyse exploratoire des données, du regroupement en clusters, etc., et proposer des stratégies de fidélisation du personnel fondées sur des scores de probabilité.
    • Projet 2 : Segmentation de chansons - Réaliser une analyse exploratoire des données et une analyse par regroupement afin de créer des groupes de chansons.