Machine Learning
Le cœur technique de la filière : construire, évaluer et mettre en service un modèle prédictif honnête.
Machine Learning dans le parcours DS
Ce module de niveau intermédiaire fait partie de Data Sciences. Son programme comporte 8 chapitres, à suivre dans l’ordre proposé ci-dessous. Tu peux consulter ce programme sans compte ; la lecture des leçons, les exercices et les vidéos dépendent de tes accès.
Pour progresser, travaille une notion à la fois, reformule-la puis vérifie ta compréhension avec le quiz du chapitre accessible. Le temps indiqué pour une leçon est une estimation, pas une promesse de maîtrise.
Découverte donne accès aux trois premiers chapitres de ce module. Sans publicité conserve les mêmes accès. Comparer les offres
Programme des chapitres
Cadre de l'apprentissage supervisé
Caractéristiques, cible, découpage entraînement-validation-test, fonction de perte, généralisation, fuite de données.
Régression
Régression linéaire simple et multiple, hypothèses, résidus, régularisation Ridge et Lasso, régression polynomiale.
Classification
Régression logistique, k plus proches voisins, machines à vecteurs de support, naïve bayésienne, déséquilibre de classes.
Arbres et méthodes d'ensemble
Réservé aux abonnés
Arbres de décision, forêts aléatoires, gradient boosting, importance des variables, interprétabilité.
Apprentissage non supervisé
Réservé aux abonnés
k-moyennes, partitionnement hiérarchique, DBSCAN, analyse en composantes principales, détection d'anomalies.
Évaluation et sélection de modèle
Réservé aux abonnés
Matrice de confusion, précision, rappel, F1, ROC et AUC, validation croisée, recherche d'hyperparamètres.
Réseaux de neurones
Réservé aux abonnés
Neurone, couches, fonctions d'activation, rétropropagation, régularisation, réseaux convolutifs et récurrents.
Du modèle à la production
Réservé aux abonnés
Chaîne reproductible, sérialisation, service du modèle, supervision, dérive des données, réentraînement.