Durée : 7h30 Méthodes pédagogiques : alternance de théorie et de travaux pratiques Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Modèles: linéaires, quadratiques, descente de gradient Algorithmes, choix d'un estimateur. Classification : k-voisins, régression logistique, classification naïve bayésienne, arbres de décision, forêts aléatoires, SVC Régression : régression linéaire, lasso, SGDr, SVR Détection de groupes : k-moyennes, Spectral Clustering/GMM Analyse globale : Randomized PCA, kernel approximationAtelier : classification automatique d'un jeu de données à partir d'une régression logistique
Création de jeux d'essai, entraînement et construction de modèles. Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC. Parallélisation des algorithmes. Choix automatique.Atelier : Mise en évidence des erreurs d'apprentissage en fonction des hyper-paramètres
Recherche de clusters: modélisations, algorithmes, et méthodes d'évaluation Réseaux de neurones
|