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 principe de la régression linéaire et la réalisation de 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 construire plusieurs modèles de régression linéaire, il est nécessaire de 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 rencontrées lors de leur utilisation.

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.

Découvrez comment entraîner des agents à prendre des décisions optimales par essais et erreurs. Explorez les principes essentiels 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. Implémentation des algorithmes d'itération de la politique et de la valeur. Exploration de l'itération généralisée de la 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 on-policy et off-policy. 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 Monte Carlo et de l'apprentissage TD dans TD à n étapes et TD(λ).

Tout d'abord, nous aborderons ce qu'est un réseau de neurones et son fonctionnement. Nous examinerons également l'étendue de ses applications.

Ensuite, nous allons essayer de construire notre propre réseau de neurones et observer son efficacité lors de l'apprentissage. Nous examinerons également une solution prête à l'emploi de la bibliothèque scikit-learn.

Enfin, nous vous fournirons des informations supplémentaires utiles pour comprendre quel modèle utiliser et quels types de réseaux de neurones existent. Pour valider le cours, vos connaissances acquises seront évaluées.