Travaux Pratique en Apprentissage Machine
Le but de ce TP est de mettre en œuvre les algorithmes décrits dans le cours Apprentissage
Machine.
TP N ° 1 : Régression linéaire
On va implémenter ici, la régression linéaire univariée (à une variable) en python. Le but
est de comprendre cet algorithme.
A partir d’une base de données lue, le travail consistera d’abord à faire le chargement des
données, visualisation des données, Appliquer l’algorithme puis faire la Prédiction.
TP N ° 2 : Régression Logistique
On va implémenter ici, la régression logistique en python. Le but est de comprendre cet
algorithme.
A partir d’une base de données de fleurs IRIS, il s’agit de faire la classification de fleurs IRIS
avec la régression logistique en Python.
TP N ° 3 : Naives Bayes
On va implémenter ici, l’algorithme de Naives Bayes en python. Le but est de comprendre
cet algorithme.
Durant ce TP, on mettra en place un “SPAM Filter” en utilisant le Naive Bayes Classifier.
Notre classifieur se basera sur Python et sa librairie de Machine Learning : “Sickit Learn”.
L’algorithme prendra en entrée un e-mail et nous indiquera s’il s’agit d’un mail ou non.
TP N ° 4 : KNN
On va implémenter ici, l’algorithme KNN en python. Le but est de comprendre cet
algorithme.
Implémentez une reconnaissance de chiffres manuscrits avec K-NN
Pour ce TP, on utilisera le célèbre jeu de données MNIST. Ce dernier est une base de donnée
de chiffres manuscrits très utilisée en Machine Learning, notamment pour l’entrainement et le
test de modèles prédictifs
TP N ° 5 : KMEANS
Implémentation du clustering des fleurs d’Iris avec l’algorithme K-Means, Python et Scikit
Learn
