Machine learning et deep learning avec python

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de
Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels. 

Concepts du Machine Learning (1.5 jour)
✓ Tour d’horizon des applications du Machine Learning/Deep Learning et intelligence artificielle
✓ Présentation des différents types d’apprentissage
✓ Principe de la régression linéaire
✓ Compromis Biais Variance
✓ Modèles ensemblistes (RandomForest)
✓ 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 scikitlearn (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)