Syllabus : Machine Learning
Objectifs d'apprentissage
1. Comprendre les concepts fondamentaux des différents types
d'apprentissage (supervisé, non supervisé).
2. Identifier les étapes clés du développement et de l’évaluation des modèles
de machine learning.
3. Explorer les principaux algorithmes, leur fonctionnement et leurs
applications pratiques.
4. Analyser les performances des modèles à l'aide de métriques et d'outils
spécifiques.
5. Appliquer des techniques de clustering et de règles d'association dans des
contextes variés, y compris les applications métiers.
Thèmes à réviser
1. Concepts de base en machine learning
Types d’apprentissage :
o Supervisé : caractéristiques, utilisation des données étiquetées.
o Non supervisé : caractéristiques, utilisation des données non
étiquetées.
Différences et applications des types d’apprentissage.
Processus complet de création d’un modèle de machine learning :
o Collecte des données.
o Préparation (nettoyage, transformation, etc.).
o Choix des algorithmes.
o Entraînement et validation.
o Évaluation des performances.
2. Algorithmes principaux
k-NN (k plus proches voisins) :
o Fonctionnement de l'algorithme.
o Paramètre k et son influence sur les performances.
o Métriques de distance (Euclidienne, Manhattan, etc.).
K-Means :
o Utilisation pour le clustering.
o Initialisation des centroides.
o Processus d'attribution et de mise à jour des clusters.
o Applications métiers, comme la segmentation client.
Arbres de décision :
o Structure et interprétation.
o Taille de l’arbre et critères de division.
o Applications dans la classification.
3. Validation des modèles
Méthodes de validation :
o Use training set, supplied test set.
o Cross-validation.
o Percentage split.
Importance des jeux d’entraînement, validation et test.
Matrices de confusion :
o Interprétation des prédictions correctes et erreurs.
o Calcul des taux de classification correcte et incorrecte.
4. Préparation et transformation des données
Importance de la normalisation et de la standardisation des données.
Gestion des données avec des échelles différentes ou disproportionnées.
Techniques pour gérer les données manquantes ou bruitées.
5. Règles d'association
Concepts clés :
o Support : mesure de la fréquence d’apparition.
o Confiance : probabilité conditionnelle.
o Lift : relation entre les items.
Applications dans des scénarios métiers.
Interprétation des résultats et implications pratiques.
Checklist des compétences nécessaires
Compétences générales
1. Comprendre les différents types d’apprentissage et leurs applications.
2. Être capable d’expliquer les étapes nécessaires pour construire un modèle
de machine learning.
Compétences spécifiques
1. Savoir appliquer les concepts des algorithmes étudiés (k-NN, K-Means,
arbres de décision).
2. Maîtriser l’interprétation des matrices de confusion et des résultats de
validation.
3. Connaître les métriques principales pour évaluer les modèles (exactitude,
précision, etc.).
4. Comprendre l’utilité et l’application des règles d’association dans des
contextes concrets.
Compétences avancées
1. Appliquer les algorithmes à des cas pratiques, comme la segmentation
client ou l’identification de comportements récurrents.
2. Analyser des résultats complexes impliquant plusieurs critères (exemple :
support et confiance dans des règles d’association).
3. Optimiser les paramètres des algorithmes pour améliorer leurs
performances.
Recommandations supplémentaires
Réviser avec des outils comme WEKA pour mettre en pratique les
concepts de classification et clustering.
S’exercer à interpréter des matrices de confusion, calculer des
métriques et analyser les performances.
Pratiquer les scénarios métiers pour les règles d'association et le
clustering afin de comprendre leurs applications pratiques.
