Cours de certification en Machine Learning avec Python

• Probabilité et statistiques
• Géométrie analytique
• Algèbre linéaire
• Valeurs propres, vecteurs propres et décomposition spectrale
• Introduction au Calcul

• Introduction à la statistique
• Comprendre les données
• Statistiques descriptives
• Visualisation des données
• Probabilité
• Distributions de probabilité
• Échantillonnage et techniques d'échantillonnage
• Statistiques inférentielles
• Application de la statistique inférentielle
• Relation entre les variables
• Application des statistiques dans les affaires
• Pratique assistée

Commencez ce programme en comprenant les sections du cours et les sujets abordés. Cela vous aidera à être prêt pour les sessions à venir.

Le cours couvre les concepts de base de l'apprentissage automatique, y compris sa définition et ses différents types. Il examine également plus en détail la chaîne de traitement de l'apprentissage automatique, les MLOps et l'AutoML, offrant des perspectives sur le déploiement de modèles d'apprentissage automatique à grande échelle. De plus, les étudiants sont initiés aux principaux paquets Python pour les tâches d'apprentissage automatique, leur permettant d'utiliser le riche écosystème de Python pour développer des solutions d'apprentissage automatique.

Sujets :

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

La section sur l'apprentissage supervisé explore ses applications pratiques dans différents domaines et est accompagnée de discussions sur sa pertinence et son importance dans des scénarios du monde réel. Les étudiants participent à des activités pratiques pour préparer et structurer les données pour les tâches d'apprentissage supervisé, suivies de discussions sur le surajustement et le sous-ajustement. De plus, des exercices pratiques sont proposés pour détecter et éviter ces problèmes, ainsi que des aperçus sur les techniques de régularisation pour optimiser la performance des modèles et réduire le surajustement.

Sujets :

• Apprentissage supervisé
• Applications de l'apprentissage supervisé
• Surajustement et sous-ajustement
• Régularisation

Ce segment explore les bases de l'analyse de régression, couvrant la définition et les différents types, y compris la régression linéaire, logistique, polynomiale, ridge et lasso. Les discussions mettent en lumière les hypothèses critiques sous-jacentes à la régression linéaire et des exercices pratiques fournissent une expérience concrète de la modélisation par régression linéaire. Les participants s'engageront également dans l'exploration de données en utilisant des techniques telles que le suréchantillonnage SMOTE et la préparation, la construction et l'évaluation de modèles de régression pour devenir compétents en analyse de régression.

Sujets :

• Qu'est-ce que la régression ?
• Types de régression
• Régression linéaire
• Hypothèses critiques pour la régression linéaire
• Régression logistique
• Suréchantillonnage avec SMOTE
• Régression polynomiale
• Régression des crêtes
• Régression Lasso

Cette section traite des algorithmes de classification et de leurs définitions, types et applications, ainsi que du choix des paramètres de performance. Les participants sont plongés dans diverses techniques de classification, telles que le Naive Bayes, la Descente de Gradient Stochastique, les K-Plus Proches Voisins, les Arbres de Décision, la Forêt Aléatoire, Boruta et les Machines à Vecteurs de Support, à travers des discussions et des exercices guidés. Des concepts clés tels que le Kappa de Cohen sont également abordés, suivis de contrôles de connaissances pour renforcer la compréhension.

Sujets :

• Quels sont les algorithmes de classification ?
• Différents types de classification
• Types d'applications et choix des paramètres de performance
• Naive Bayes
• Descente de gradient stochastique
• Populations de K-voisins
• Arbre de décision Forêt aléatoire
• Boruta
• Machine à vecteurs de support
• Le manteau de Cohen

Ce segment initie les étudiants aux algorithmes non supervisés, en couvrant leurs types, applications et paramètres de performance. Les participants s'engagent dans des activités pratiques telles que la visualisation des résultats et l'application de techniques telles que le regroupement hiérarchique, le clustering K-Means et l'algorithme K-Medoids. De plus, ils explorent des méthodes de détection d'anomalies et des techniques de réduction de dimensionnalité telles que l'Analyse en Composantes Principales (ACP), la Décomposition en Valeurs Singulières et l'Analyse en Composantes Indépendantes. Des applications pratiques de ces algorithmes sont démontrées à travers des exercices guidés, améliorant la compréhension des étudiants des concepts d'apprentissage non supervisé.

Sujets abordés :

• Algorithmes non supervisés
• Différents types d'algorithmes non supervisés
• Quand utiliser des algorithmes non supervisés ?
• Paramètres de performance
• Types de regroupement
• Classification K-Means
• Algorithme K-Medoids
• Hors normes
• Détection des valeurs aberrantes
• Analyse en composantes principales
• Analyse des correspondances et analyse multiple des correspondances (AMC)
• Décomposition en valeurs singulières
• Analyse en composantes indépendantes
• Réduction itérative équilibrée et regroupement en utilisant des hiérarchies (BIRCH)

Cette section traite des algorithmes de classification et de leurs définitions, types et applications, ainsi que du choix des paramètres de performance. Les participants sont plongés dans diverses techniques de classification, telles que le Naive Bayes, la Descente de Gradient Stochastique, les K-Plus Proches Voisins, les Arbres de Décision, la Forêt Aléatoire, Boruta et les Machines à Vecteurs de Support, à travers des discussions et des exercices guidés. Des concepts clés tels que le Kappa de Cohen sont également abordés, suivis de contrôles de connaissances pour renforcer la compréhension.

Sujets :

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

Ce module fournit un aperçu complet des moteurs de recommandation et explore leurs principes et mécanismes sous-jacents. Les participants sont plongés dans divers cas d'utilisation et exemples de systèmes de recommandation et acquièrent une compréhension de leur conception et mise en œuvre. À travers des exercices pratiques, les participants appliquent des techniques de filtrage collaboratif, y compris la modélisation basée sur la mémoire, le filtrage basé sur les objets et les utilisateurs, ainsi que le filtrage collaboratif basé sur les modèles. De plus, ils explorent la réduction de dimensionnalité, les méthodes de factorisation de matrices et les matrices de précision en apprentissage automatique pour évaluer et optimiser la performance des moteurs de recommandation.

Sujets :

• Comment fonctionnent les machines de recommandation ?
• Cas d'utilisation des machines de recommandation
• Exemples de systèmes de recommandation et de leur conception
• Utiliser PyTorch pour construire un moteur de recommandation.

À la fin du cours, vous réaliserez deux projets. Vous mettrez en application tout ce que vous avez appris et acquerrez de l'expérience pratique avec vos nouvelles connaissances.

• Projet 1 : Analyse du roulement du personnel - Créer des programmes de ML pour prédire le roulement des employés, incluant des vérifications de la qualité des données, EDA, regroupement, etc., et proposer des stratégies de rétention des employés basées sur des scores de probabilité.
• Projet 2 : Segmentation des chansons - Réaliser une analyse exploratoire des données et une analyse de clustering pour créer des cohortes de chansons.