Machine Learning avec Microsoft Azure et Python

Jour 1

Introduction au Machine Learning

• Définition
• Vocabulaire
• A quelles questions répond le Machine Learning ?

Exploration des données

• Explorer les données pour un algorithme dit de régression
• Explorer les données pour un algorithme dit de classement
• Azure Machine Learning Workbench et Azure Notebook

Préparer les données

• Gérer les données dupliquées
• Gérer les données manquantes
• Gérer les erreurs
• Transformer et splitter les données
• Etudier les "features"
• Azure Machine Learning Workbench et Azure Notebook

Exemples de travaux pratiques (à titre indicatif)

• Explorer et préparer les données en Python et avec Azure Machine Learning Workbench :
• Exploration et visualisation des données
• Nettoyage
• Imputation des valeurs manquantes
• Analyse statistique (ACP)
• Ingénierie des attributs
• Validation croisée

Jour 2

Algorithme supervisée

• Les bases de Scikit-Learn
• Régression linéaire et classification
• Logistic regression
• Loss Function et ROC

Amélioration du modèle

• Sélection des "features"
• Régularisation
• Interpréter les "features"
• Paramètres
• Validation croisée

Exemples de travaux pratiques (à titre indicatif)

• Machine Learning automatisé avec Azure AutoML
• Comparaison des modèles selon les différents critères

Jour 3

Entraîner et déployer le modèle dans Azure

• Entraîner localement un modèle
• Entraîner le modèle dans le Cloud
• Déployer son modèle

Les autres algorithmes

• Arbres de décisions
• Méthodes des ensembles
• Réseaux de neurones
• Support Vector Machines (SVM)
• Théorème de Bayes

Algorithme non-supervisé

• Clustering

Exemples de travaux pratiques (à titre indicatif)

• Déployer le modèle sélectionné selon différentes méthodes :
• Déploiement batch
• Déploiement online
• Déploiement dans une Web app
• Monitoring du Data drift et du modèle drift
• Ré-entraînement du modèle

Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

Modalités d’évaluation des acquis

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation