Apprentissage supervisé
Régression et classification : des données étiquetées vers un modèle qui généralise. Évaluation honnête et pièges classiques.
Le cadre supervisé
Caractéristiques, étiquettes, jeux d'entraînement, validation et test, fonction de perte, généralisation.
Régression
Régression linéaire simple et multiple, moindres carrés, régularisation Ridge et Lasso, régression polynomiale.
Classification
Régression logistique, k plus proches voisins, machines à vecteurs de support, naïve bayésienne, frontières de décision.
Arbres et méthodes d'ensemble
Arbres de décision, forêts aléatoires, gradient boosting, importance des variables, interprétabilité.
Évaluation et sélection de modèle
Exactitude, précision, rappel, F1, matrice de confusion, courbe ROC, validation croisée, recherche d'hyperparamètres.
Du modèle à la production
Chaîne de traitement reproductible, sérialisation, dérive des données, supervision, réentraînement.