Machine Learning avec Python par Human Coders

Jour 1 : Introduction aux concepts du Machine Learning
Présentation du ML et de ses possibilités
Concepts de base
Formalisation des problèmes d'apprentissage supervisé: classification et régression
Exemples d'utilisation: applications web, mobile, et Data Science en entreprise
Création de modèles prédictifs
Intuitions derrière les techniques d'apprentissage des plus proches voisins (nearest neighbors) et arbres de décision (decision trees)
Révision des bases de Python; configuration et utilisation de notebooks Jupyter
Apprentissage de modèles avec la librairie open source scikit
- learn et avec l'outil de ML
- as
- a
- Service BigML sur des datasets de classification et de régression
Visualisation et interprétation
Jour 2 : Les modèles
Evaluation des modèles prédictifs
Critères de performance et procédure d'évaluation
Mesures agrégées de performance des modèles prédictifs: accuracy, precision, recall, matrices de confusion et de coût (classification), MSE, R
- squared, MAPE (regression)
Mise en pratique avec Python, scikit
- learn et BigML sur les datasets précédents
Procédure d'examination d'erreurs individuelles
Optimisation des modèles
Ajuster la complexité d'un modèle pour éviter le sous
- apprentissage / sur
- apprentissage
Comment augmenter l'exactitude des prédictions grâce aux ensembles de modèles; application aux arbres de décision: random forests
Optimisation de la classification via adaptation du seuil de probabilité, et compromis entre mesures concurrentes
Procédure de validation et de cross
- validation pour benchmarker les modèles
Procédure de grid
- search pour sélectionner les meilleurs paramètres
Jour 3 : NLP et déploiement
Utilisation du ML sur du texte
- - Natural Language Processing
Pré-traitement des données textuelles avec la librairie NLTK
Techniques d'extraction de features numériques: sac de mots et n
- grams
Création d'un modèle de détection de faux avis pour plateformes hôtelières en ligne
Déploiement
Démonstration de l'utilisation d'APIs REST pour l'utilisation du ML en production
Déploiement d'une API pour nos propres modèles, avec la librairie Flask
Utilisation de l'API via curl, Postman, et dans un tableur (remplissage de valeurs manquantes)
Conclusion
Récapitulatif des points clé de la formation
Autres techniques de ML (selon le temps disponible)
Initiation aux réseaux de neurones avec le deep learning automatisé sur BigML
Apprentissage non supervisé: clustering et détection d'anomalies
Prédiction de séries temporelles, via réduction à un problème de régression
Systèmes de recommandation, via réduction à un problème de classification
Ressources pour aller plus loin et suggestions personnalisées

Comprendre les possibilités et limites du ML
Construire des modèles prédictifs à partir de données d'apprentissage, basés sur arbres de décision et ensembles d'arbres
Interpréter les modèles, analyser leurs comportements, erreurs, performance et impact, pour ensuite les optimiser
Transformer les variables de type texte en représentations numériques pertinentes pour le ML
Déployer les modèles en production à l'aide d'APIs