Machine Learning
Le cœur technique de la filière : construire, évaluer et mettre en service un modèle prédictif honnête.
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
Arbres de décision, forêts aléatoires, gradient boosting, importance des variables, interprétabilité.
Apprentissage non supervisé
k-moyennes, partitionnement hiérarchique, DBSCAN, analyse en composantes principales, détection d'anomalies.
Évaluation et sélection de modèle
Matrice de confusion, précision, rappel, F1, ROC et AUC, validation croisée, recherche d'hyperparamètres.
Réseaux de neurones
Neurone, couches, fonctions d'activation, rétropropagation, régularisation, réseaux convolutifs et récurrents.
Du modèle à la production
Chaîne reproductible, sérialisation, service du modèle, supervision, dérive des données, réentraînement.