Maîtrise de l'Apprentissage Automatique

Découvrez les concepts de l'apprentissage automatique et le flux de travail d'un projet ML.

Le prétraitement est probablement l'étape la plus importante d'un projet ML. Ce chapitre couvre les étapes de prétraitement nécessaires pour presque tout ensemble de données.

Un pipeline est une méthode élégante pour combiner toutes les étapes de prétraitement ainsi qu’un modèle. Les pipelines facilitent grandement l’entraînement et l’utilisation d’un modèle.

La modélisation est l'étape la plus intéressante d'un projet ML. Apprenons à construire, ajuster et évaluer le modèle !

Commençons par le modèle de régression linéaire le plus simple. Vous découvrirez le concept de la régression linéaire et la manière de réaliser des prédictions en Python.

La plupart des tâches de prédiction réelles impliquent plus d'une variable. Vous apprendrez à gérer la régression linéaire avec plusieurs variables explicatives.

Une droite ne décrit pas toujours correctement les données. Apprenons à construire un modèle plus complexe pour la prédiction. C'est à cela que sert la régression polynomiale.

Maintenant que vous savez comment construire plusieurs modèles de régression linéaire, il est nécessaire de disposer d'une méthode pour sélectionner le meilleur. Cela est possible grâce à l'utilisation de métriques. Cette section présente les métriques les plus couramment utilisées ainsi que les difficultés potentielles liées à leur utilisation.

Découvrez comment entraîner des agents à prendre des décisions optimales par essais et erreurs. Explorez les principes fondamentaux de la théorie de l'apprentissage par renforcement. Expérimentez la configuration et l'exécution d'un environnement Gymnasium.

Maîtrise du compromis exploration-exploitation à travers le problème du bandit manchot. Mise en œuvre de l'estimation de la valeur d'action, des méthodes ε-greedy, borne supérieure de confiance et bandit à gradient. Évaluation des performances des algorithmes sur des tâches simulées de maximisation de récompense.

Maîtrise de la programmation dynamique pour l'apprentissage par renforcement basé sur un modèle. Découverte de l'utilisation des équations de Bellman pour évaluer et améliorer les politiques. Mise en œuvre des algorithmes d'itération de politique et d'itération de valeur. Exploration de l'itération généralisée de politique comme fondement théorique des méthodes sans modèle.

Maîtrise des méthodes de Monte Carlo pour l'apprentissage par renforcement sans modèle. Estimation des fonctions de valeur et dérivation des politiques optimales à partir d'épisodes complets. Implémentation des algorithmes de contrôle Monte Carlo sur-politique et hors-politique. Découverte des stratégies d'exploration pour optimiser l'apprentissage sans modèle.

Maîtrise de l'apprentissage par différence temporelle pour l'apprentissage par renforcement sans modèle. Estimation des fonctions de valeur à partir d'épisodes partiels à l'aide des mises à jour TD(0). Implémentation des algorithmes SARSA sur politique et Q-Learning hors politique. Découverte de la combinaison des méthodes de Monte Carlo et de l'apprentissage TD dans TD à n étapes et TD(λ).

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

Plongez dans les fondamentaux du clustering et découvrez en quoi il diffère de la classification. Explorez les algorithmes, outils et bibliothèques essentiels qui alimentent cette technique d'apprentissage non supervisé pour révéler des motifs cachés dans les données.

Acquisition d’une compréhension approfondie des principales techniques de prétraitement garantissant un clustering efficace. Gestion des valeurs manquantes, encodage des variables catégorielles, normalisation des données et sélection de mesures de distance et de méthodes de liaison appropriées pour améliorer la précision du clustering.

Maîtriser les compétences nécessaires pour appliquer efficacement le clustering K-Means. Comprendre le fonctionnement de l'algorithme, déterminer le nombre optimal de clusters et acquérir une expérience pratique en implémentant K-Means sur des jeux de données synthétiques et réels.

Découvrez les principes fondamentaux du regroupement hiérarchique et la manière de regrouper des données en ensembles significatifs à l'aide de dendrogrammes. Développez la capacité à identifier le nombre optimal de groupes et à appliquer cette technique sur des ensembles de données synthétiques et réels.

Découvrez comment DBSCAN excelle dans la détection de groupes de formes variées et la gestion du bruit dans les données. Comprenez le fonctionnement de cet algorithme basé sur la densité, la méthode d'attribution des points aux groupes, et son application sur des ensembles de données synthétiques et réels avec assurance.

Acquisition d'une compréhension approfondie des modèles de mélange gaussien et de leur utilisation de la probabilité pour modéliser des formes de clusters complexes. Principes de la distribution gaussienne. Exploration du fonctionnement des modèles de mélange gaussien. Application des modèles de mélange gaussien à des données fictives et réelles pour renforcer la compréhension.