|
Après une formation rapide à python (notions de base), les étudiants apprendront à utiliser les librairies numpy et pandas afin d'explorer de gros jeux de données (big data) et de les visualiser avec matplotlib ou seaborn. Les concepts fondamentaux de l’apprentissage automatique (Machine Learning) seront ensuite présentés. Les étudiants seront alors formées aux différents techniques de l'apprentissage en utilisant la librairie scikit-learn pour les méthodes standards et tensorflow pour l'approche deep learning.
Ils apprendront les :
- Algorithmes de l'apprentissage supervisé :
Régression : linéaire et logistique
Classifications : KNN (k-nearest neighbors), SVM
- Algorithmes de l'apprentissage non supervisé :
Partitionnement : K-Means et DBSCAN
Réduction de dimensions : PCA
Détection d'anomalies : Isolation Forest
- Réseaux de neurones :
Comprendre l'objectif et le fonctionnement
Deep Learning avec Tensorflow
- Bonnes pratiques de la gestion de projet de Machine Learning / Deep Learning
Les différents concepts abordés seront illustrés sur des applications simples, réelles : Prédiction du prix d'un appartement, Classification d'images, Identification des groupes ayant des caractéristiques similaires (caractère « polluant » de véhicules par exemple), Visualisation des données complexes par PCA, ...
La formation se termine par le développement d'un projet autour de l'un des thématiques de recherche dans les laboratoires de physique de Lyon.
Mots clés : Apprentissage automatique : Supervisé (Classification, régression), Non supervisé (Clustering, Réduction dimensionnelle), Deep Learning et réseau de neurones.
|
