Formation Introduction au Machine Learning avec Python

INTRODUCTION AUX DATA SCIENCES

1. Qu'est-ce que la data science ?

2. Qu'est-ce que Python ?

3. Qu'est-ce que le Machine Learning ?

4. Apprentissage supervisé vs non supervisé

5. Les statistiques

6. La randomisation

7. La loi normale

RAPPELS DE PYTHON POUR LES DATA SCIENCES

1. Rappel

2. PIP

INTRODUCTION AUX DATALAKE, DATAMART ET DATA WHAREHOUSE

1. Qu'est-ce qu’un DataLake ?

2. Les différents types de DataLake

3. Le Big Data

4. Qu'est-ce qu’un DataWharehouse ?

5. Qu'est-ce qu’un DataMart ?

6. Mise en place d'un DataMart

MACHINE LEARNING

1. Filtrage

2. Mise en place d'une machine learning supervisée

3. Qu'est-ce qu’un modèle et un dataset

4. Qu'est-ce qu’une régression

5. Les différents types de régression

6. La régression linéaire

7. Gestion du risque et des erreurs

8. Quarter d'Ascombe

9. Trouver le bon modèle

10. La classification

11. Loi normale, variance et écart type

12. Apprentissage

13. Mesure de la performance

14. No Fee Lunch

15. Les pièges du machine learning : Overfitting, Underfitting

MATPLOTLIB

1. Utilisation de la bibliothèque scientifique de graphe MatPlotLib

2. Affichage des données dans un graphique 2D

3. Affichage des sous-graphes

4. Affichage des polynômes et de sinusoïdales

PANDAS

1. Le Data Mining

2. L'analyse des données avec Pandas

3. Les DataFrames

4. La théorie ensembliste avec Pandas

5. L'importation des données CSV

6. L'importation des données SQL

7. Pandas et SKLearn

SCIKITLEARN

1. Le machine Learning avec SKLearn

2. La régression linéaire

3. La création du modèle

4. L'échantillonnage

5. La randomisation

6. L'apprentissage avec fit

7. La prédiction du modèle

8. Les metrics

9. Choix du modèle

10. PreProcessing et Pipeline

11. Régressions non polynomiales

NEAREST NEIGHBORS

1. Algorithme des k plus proches voisins (k-NN)

2. Modèle de classification

3. K-NN avec SciKitLearn

4. Choix du meilleur k

5. Sérialisation du modèle

6. Variance vs Erreurs

7. Autres modèles : SVN, Random Forest

8. La clusterisation avec k-Means

SCALABLE VECTOR MACHINE

1. Le modèle SVM

2. SVM et les petits datasets

3. Choix du kernel

RANDOM FOREST

1. Le principe de RF

2. Principe de la boite blanche

3. Reverse engineering RF

4. Les corrélations automatiques

LES RESEAUX NEURONAUX

1. Le perceptron

2. Les réseaux neuronaux MLP

3. La descente du gradient

TENSORFLOW ET KERAS

1. Les réseaux Denses

2. Keras

3. Dimensionnement du réseau

4. Les réseaux convolutifs

5. Le transfert learning

6. Le réapprentissage

7. L'apprentissage par renforcement

8. Les modèles courants

   • VGG
   • RestNet
   • Xception
   • LSTM
   • BERT
   • MobileNet

9. L'optimisation des réseaux