Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
Cette section fournit une introduction générale sur l'utilisation de l'apprentissage automatique, sur ce qu'il faut prendre en compte et sur ce que cela signifie, y compris les avantages et les inconvénients. Types de données (structurées/non structurées/statiques/en continu), validité/volume des données, analyse axée sur les données ou sur l'utilisateur, modèles statistiques ou modèles d'apprentissage automatique, défis de l'apprentissage non supervisé, compromis biais-variance, itération/évaluation, approches de validation croisée, supervisé/non supervisé/renforcement.
THÈMES PRINCIPAUX.
1. Comprendre les Bayes naïfs
- Concepts de base des méthodes bayésiennes
- Probabilité
- Probabilité jointe
- Probabilité conditionnelle avec le théorème de Bayes
- L'algorithme de Bayes naïf
- La classification de Bayes naïf
- L'estimateur de Laplace
- L'utilisation des caractéristiques numériques avec Bayes naïf
2. Comprendre les arbres de décision
- Diviser pour conquérir
- L'algorithme d'arbre de décision C5.0
- Choisir la meilleure division
- Pruning de l'arbre de décision
3. Comprendre les réseaux neuronaux
- Des neurones biologiques aux neurones artificiels
- Fonctions d'activation
- Topologie du réseau
- Le nombre de couches
- La direction du déplacement des informations
- Le nombre de nœuds dans chaque couche
- L'apprentissage des réseaux neuronaux avec la rétropropagation
- Deep Learning
4. Comprendre les machines à vecteurs de support
- Classification avec des hyperplans
- Trouver le maximum de marge
- Cas de données linéairement séparables
- Cas de données non-linéairement séparables
- L'utilisation de noyaux pour les espaces non-linéaires
5. Comprendre le regroupement
- Le regroupement comme tâche d'apprentissage automatique
- L'algorithme k-means pour le regroupement
- L'utilisation de la distance pour affecter et mettre à jour les groupes
- Choisir le nombre approprié de groupes
6. Mesurer les performances de la classification
- Traiter avec des données de prédiction de classification
- Examiner de plus près les matrices de confusion
- L'utilisation des matrices de confusion pour mesurer les performances
- Au-delà de l'exactitude – d'autres mesures de performance
- La statistique kappa
- Sensibilité et spécificité
- Précision et rappel
- La mesure F
- Visionner les compromis des performances
- Courbes ROC
- Estimer la performance future
- La méthode de retenue
- Validation croisée
- Bootstrap échantillonnage
7. Mise au point des modèles de stock pour une meilleure performance
- L'utilisation de caret pour l'ajustement automatique des paramètres
- Créer un modèle simple ajusté
- Personnaliser le processus d'ajustement
- Améliorer les performances du modèle avec l'apprentissage métacognitive
- Comprendre les ensembles
- Bagging
- Boosting
- Forêts aléatoires
- L'entraînement des forêts aléatoires
- Évaluer la performance de la forêt aléatoire
THÈMES MINEURS
8. Comprendre la classification à l'aide des voisins les plus proches
- L'algorithme kNN
- Calculer la distance
- Choisir un k approprié
- Préparer les données pour une utilisation avec kNN
- Pourquoi l'algorithme kNN est-il paresseux?
9. Comprendre les règles de classification
- Séparer et conquérir
- L'algorithme One Rule
- L'algorithme RIPPER
- Règles des arbres de décision
10. Comprendre la régression
- Régression linéaire simple
- Estimation par moindres carrés ordinaires
- Corrélations
- Régression linéaire multiple
11. Comprendre les arbres de régression et les arbres de modèle
- Ajouter la régression aux arbres
12. Comprendre les règles d'association
- L'algorithme Apriori pour l'apprentissage des règles d'association
- Mesurer l'intérêt de la règle – support et confiance
- Bâtir un ensemble de règles avec le principe Apriori
Extras
- Spark/PySpark/MLlib et bandits multi-bras
21 Heures
