CSC 8609 – Introduction au machine learning

Le Cours CSC8609 – Introduction au machine learning est un cours de troisième année de la VAP MAIA à Télécom SudParis.

• Sujet
  Contenu
  Notions clefs
• CI1 et CI2
  Programmation
  • Présentation du cours : slides
  • Programmation en Python : Introduction à Python de CSC4538
  • Programmation Python : Faire 10 exercices sur LeetCode
  • Les bases de la programmation Python
• CI3 et CI4
  Introduction au machine learning
  • S'inscrire sur le MOOC Machine learning in Python with scikit-learn
  • Écouter la section Welcome du Mooc.
  • Écouter la section Introduction: Machine Learning Concepts du Mooc.
  • Faire le Module 1. The Predictive Modeling Pipeline
  • Apprentissage supervisé vs. non supervisé
  • Régression vs. classification
  • Variables d'entrée et de sortie
  • Analyse de données
  • Features numériques et catégoriques
  • Utilisation d'un modèle dans scikit-learn
  • Transformation de données numériques et catégoriques
  • Train/validation/test split
  • Cross-validation
• CI5
  Sélectionner le meilleur modèle
  • Faire le Module 2. Selecting the best model
  • Overfitting et underfitting
  • Erreur sur le train vs test
  • Dilemme Biais-Variance
• CI6
  Les hyperparamètres
  • Faire le Module 3. Hyperparameter tuning
  • Définition hyperparamètre
  • Grid search
  • Randomized search
• CI7 et CI8
  Modèles linéaires
  • Faire le Module 4. Linear Models
  • Régression Linéaire
  • Régression logistique
  • Erreur quadratique
  • Feature Engineering
  • Features polynomiales
  • Nystroem
  • Discretization
  • Spline
  • Regularisation
  • Ridge
• CI9
  Arbres de décision
  • Faire le Module 5. Decision tree models
  • Arbre de décision
  • Profondeur maximale
  • Classification
  • Régression
  • Hyperparamètres feuilles
• CI10 et CI11
  Méthodes Ensemblistes
  • Faire le Module 6. Ensemble of models
  • Modèles ensemblistes
  • Bagging
  • Boosting
• CI12 - CI13
  Évaluer les performance d'un modèle
  • Faire le Module 6. Evaluating model performance
  • Stratification
  • Sample grouping
  • Dépendance de données
  • Nested Cross-validation
  • Métriques de classification
  • Métriques de régression