Parcours CEDRE 3 - Analyse des données de la recherche : introduction à l'Intelligence Artificielle par Apprentissage Automatique (Machine Learning) - MRS St Charles

- Construire une compréhension de l'analyse avancée de données à travers une technique de l'IA.
- Relier Analyse de données, IA et Apprentissage Automatique (Machine Learning).
- Identifier les types d'apprentissage (supervisé, non supervisé et par renforcement) et leurs algorithmes associés.
- Introduction à l'utilisation des librairies spécialisées de Python : Scikit-Learn.
- Identifier et mettre en œuvre les 6 étapes de l'Apprentissage Automatique :
1) Collecte des données,
2) Nettoyage et analyse descriptive,
3) Mélange et séparation,
4) Modèles et hyperparamètres,
5) Validation et mesure de la performance d'un modèle,
6) Exploitation de modèles.
- Conduire un projet d'Apprentissage Automatique dans son intégralité.

1. Réduction de dimensionalité P2: sélection des caractéristiques.
2. Processus de ML : collecte de données, nettoyage et analyse de données, mélange et séparation de données, apprentissage, modèles et hyperparamètres, entraînement d'un modèle, validation, exploitation, optimisation d'un modèle.
3. Concepts de ML, algorithmes supervisés et non supervisés. Mesures de la qualité : accuracy, precision, recall, F1 score, R2, MSE. Sur-apprentissage et Sous-apprentissage.
4. Régression linéaire et algorithmes de la librairie Scikit Learn
5. Classification et algorithmes de la librairie Scikit Learn : k-NN pour classification, machine à vecteurs supports, classification Bayésienne naïve, régression logistique, etc.
6. Clustering et Scikit Learn: k means, hiérarchique.

- Solide compréhension du langage de programmation Python et connaissances du Machine Learning ou avoir suivi les modules Parcours CEDRE 1 et Parcours CEDRE 2.
- Obligatoire : venir avec votre ordinateur personnel sur lequel est déjà installé Anaconda https://www.anaconda.com/

- Comprendre les concepts liés à l'IA.
- Différencier Apprentissage Automatique (Machine Learning - ML) et Apprentissage Profond (Deep Learning).
- Utiliser le vocabulaire technique de ML.
- Connaître la méthode pour développer ses propres algorithmes de ML.
- Savoir expliquer et utiliser les différents algorithmes de ML.
- Mettre en œuvre les processus pour résoudre des problèmes métier à travers le ML.

L'étudiant aura également développé les compétences pour :
- Collecter des données et les utiliser avec Python.
- Analyser statistiquement une base de données avec Python.
- Communiquer des observations simples grâce à travers des graphiques et des modules spécialisés.
- Identifier les variables dans une base de données.
- Transformer les variables pour leur utilisation dans un modèle mathématique.
- Être en mesure de trier les données et d'expliquer ses décisions.
- Entraîner des modèles de ML.
- Modifier les modèles (régler les hyperparamètres) pour améliorer ses performances.
- Mesurer la performance du modèle selon le type de problème.
- Optimiser ses modèles.

---

---

---