Introduction au Machine Learning et au Deep Learning avec Python Présentiel

L'apprentissage automatique (Machine Learning) est la partie de l'intelligence artificielle qui se fonde sur des modèles mathématiques pour permettre aux ordinateurs d'apprendre et d'effectuer des tâches à partir de données. Ce champ recouvre la conception et l'analyse de modèles et de méthodes ainsi que le développement, l'optimisation et l'implémentation d'algorithmes.

Cette formation abordera les concepts statistiques et les méthodes d'apprentissage supervisé (régression et classification), leur mise en œuvre pratique et leur interprétation.

• Introduction à l'apprentissage supervisé : régression et classification, fonctions de coût, classifieur de Bayes, métriques d'évaluation, concepts de validation croisée et de sur-apprentissage, gradient stochastique et optimisation.
• Méthodes linéaires : modèles linéaires généralisés, régression logistique, méthodes de régularisation Ridge, Lasso, problèmes en grande dimension.
• Méthodes non linéaires : arbres de décision, CART, Boosting, forêts aléatoires. Utilisation de Scikit-Learn (module Python).
• Introduction aux réseaux de neurones profonds (Deep Neural nets ou Deep NN) : Dense NN, Feed-Forward NN, Convolutional NN pour les images. Mise en œuvre avec PyTorch (sous Python).

• Comprendre les concepts mathématiques des méthodes de l'apprentissage statistique supervisé (régression et classification)
• Connaître les principaux algorithmes du Deep Learning
• Utiliser les modules python pour la mise en œuvre des méthodes de Machine Learning et de Deep Learning
• Choisir les algorithmes adaptés aux cas d'usages
• Interpréter les résultats des algorithmes et identifier leurs limites

Il est demandé aux participants d'être équipés d'un ordinateur portable sur lequel les logiciels et outils (libres) nécessaires à la formation (communiqués avant le début de la formation) seront préalablement installés.

Tous les supports (slides, notebooks corrigés, etc.) seront remis aux participants.