L'atelier de Machine Learning avancé regroupe les thématiques habituelles, listées ensuite. Dans cette liste, nous citons un algorithme principal représentatif. Mais chaque opération peut s'accomplir de différentes manières, menées par des calculs mathématiques différents. Cette session d'approfondissement est destinée à ceux qui connaissent certains de ces algorithmes, et qui souhaitent s'assurer que l'algorithme qu'ils utilisent est bien adapté à leurs données, qui souhaitent
connaître les autres choix à leur disposition et ainsi que les critères d'interprétation des résultats.
Thématiques :
plongements, et réduction dimensionnelle (algorithmes de type ACP),
modélisations linéaires et non linéaires (algorithmes de type régressions linéaires),
méthodes de clustering qui consistent à déterminer un moyen de regrouper des individus
caractérisés par des mesures proches (algorithme de type k-means),
et méthodes de classifcationsqui consistent à déterminer la classe d'appartenance d'un
individu, sur la base d'un modèle (algorithme de type régression logistique).
Le plan sera adapté selon la demande. Le fonctionnement en atelier permet d'éluder certains algorithmes, aind'insister sur ceux qui répondent aux besoins des participants. Chaque algorithme est présenté succinctement dans sa version mathématique, puis il est mis en oeuvre sur des données réelles, et son interprété de manière approfondie.
-Réduction dimensionnelle (ACP, t-SNE, UMAP, PLS)
-Clustering (kmeans, dbscan, optics, clustering hiérarchique, mélange de gaussienne)
-Régression (OLS, ridge, polynomiale, LASSO, GLM, arbres, sélection de variables, OMP)
-Classifcation(régression logistique, GLM, SVM, naïve, arbres, randomforest, bagging,
boosting)
Avoir suivi une formation d'initiation à R. Avoir des données ou un projet d'analyse.
Aucune session à venir
Les sessions apparaîtront ici dès qu'elles seront créées.