Fiche Module ML Appliqué
Transféré par
amani sayariFiche Module ML Appliqué
Transféré par
amani sayariModule : Machine Learning Appliqué
Dernière mise à jour : 30/03/2022
Code Cours intégré HNE ECTS
SI-17 42h 35h 3
Responsable Module Jihen Hlel
Enseignants – Intervenants Ghada Setti, Fares Hasni, Jihen Jebri, Olfa Laayouni, Oumayma Guesmi, Rahma Dhaouadi, Shema
Essadi , Sarra zouari, Soumaya Nheri, wiem baazouzi, Wiem Trabelsi, Jihen Hlel
Unité pédagogique IL
Unité d’enseignement
Prérequis
Sys. De Gestion de Bases de Données
Calcul scientifique
Méthodes numériques pour l'ingénieur
Techniques d'estimation pour l'ingénieur
Niveaux et Options 4ème BI
4ème TWIN
4ème SAE
4ème INFINI
Objectif du module :
L’objectif de ce cours est de familiariser les étudiants avec la modélisation des données en
utilisant les méthodes de Machine Learning, tout en respectant les phases d’un projet Machine
Learning.
Mode d’évaluation :
● La moyenne de ce module est calculée comme suit :
Moyenne (ML Appliqué) = CC*50% + Projet *50%.
● Projet : Le projet consiste à une implémentation d’une solution intelligente.
● Le contrôle continu : La moyenne des Travaux pratiques tout au long de la
formation (20%), l e D S ( 3 0 % ) .
1
Acquis d’apprentissage :
A la validation de ce module, l’étudiant sera capable de :
Niveau
Acquis d’apprentissage
d’approfondissement (*)
AA1 Identifier expliquer les concepts clés du machine Learning 1&2&3
AA2 Différencier les principales phases d’un projet machine Learning 2
AA3 Préparer les données en utilisant les différentes librairies Python. 2&3
AA4 Analyser, créer et évaluer des modèles de regression. 3&5&6
Appliquer et évaluer des méthodes de classification
AA5 3&5
AA6 Créer et évaluer des modèles basés sur les méthodes de segmentation 5&6
* : (1 : Mémoriser, 2 : Comprendre, 3 : Appliquer, 4 : Analyser, 5 : évaluer, 6 : Créer).
Contenu détaillé :
Chapitre 1 : Définition des concepts clés
- Identifier les concepts de bases de l’apprentissage automatique
- Situer la science des données (DS) et l’Intelligence Artificielle (IA).
- Distinguer la différence entre DS et IA.
- Définir les attentes des entreprises de l’IA et la science des données.
- Différencier les étapes d’un projet Data Science.
Situation d’apprentissage Cours intégré
Durée 3h
Rendu Cours
Chapitre 2 : Processus de préparation des données
2
- Manipuler les différentes librairies Python destinées à la science des données à
savoir Numpy, scipy, pandas, sklearn.
- Définir le processus de visualisation et de préparation des données :
Chargement de données sous forme de DataFrames dans le logiciel.
Visualisation de données (EDA)
Nettoyage de données
Corrélation
Outliers
Transformation de données
Situation d’apprentissage Cours intégré + suivi
Durée 6h
Rendu Notebook 1 « Préparation des
données »
Chapitre 3 : Modèles linéaires
- Créer des modèles exploitant la relation de linéarité entre les données à travers la :
o Régression linéaire Simple et Multiple
o Régression polynomiale
- Evaluer les méthodes de régression en utilisant des méthodes de statistiques telles que R carré,
Erreur quadratique moyenne (MSE)…
Situation d’apprentissage Cours intégré
Durée 6h
3
Notebook 2 « Régression Linéaire »
Notebook 3 « Régression polynomiale
»
Chapitre IV : Méthodes de classification
- Appliquer des modèles supervisés exploitant les relations géométriques entre les
données à travers :
o K Nearest Neighbors (KNN)
o Support Vector Machines (SVM)
o Arbre de décision
o XGboost
- Evaluer les performances de méthodes de classification en utilisant les métriques de performances
(Accuracy, F1-score, Matrice de confusion, courbe ROC…)
Situation d’apprentissage Cours intégré
Durée 12h
Notebook 4,5,6 « Méthodes supervisées de classification »
Chapitre V : Méthodes de segmentationChers collègues,
Je tiens tout d’abord à m’excuser de ne pas vous avoir envoyé plus tôt le mail concernant la
4
- Appliquer des modèles non supervisés exploitant les relations géométriques entre
les données à travers :
o Méthodes de Clustering : k-means
o Analyse par Composante Principale (ACP)
- Evaluer les performances de méthodes de segmentation en utilisant les
Indicateurs de performances (Silhouette score, Coefficient de Jaccard…)
Situation d’apprentissage Cours intégré
Durée 9h
Notebook 7 et 8
Les systèmes de recommandation
- Distinguer entre les différents types des systèmes de recommandation
- Appliquer les algorithmes des systèmes de recommandation
Situation d’apprentissage Cours intégré
Durée 3h
Notebook 9
Report/ Présentation TP Project
Homework
Evaluation : les concepts clés du machine Learning
Identifier expliquer
X
Différencier les principales phases d’un projet machine
X X
Learning
Préparer les données en utilisant les différentes librairies
X X X
Python.
Analyser, créer et évaluer des modèles de régression.
X X X X
Appliquer et évaluer des modèles de classification
X X X
Créer et évaluer des modèles basés sur les modèles de X X X
segmentation
● Introduction to Statistical Learning, Corrected 7th Printing. Gareth James, Daniela Witten, Trevor Hastie and
Robert Tibshirani, 2013. Springer. Available as PDF: ISLR Seventh [Link]
5
● Elements of Statistical Learning, 2nd ed. Trevor Hastie, Robert Tibshirani and Jerome Friedman, 2009. Springer.
Available as PDF: ESLII_print12.pdf
● Foundations of Data Science, Avrim Blum, John Hopcroft, and Ravindran Kannan, Thursday 4th January,
2018. Available as PDF: [Link]
● Videos from ISL/ESL. Available online and linked from ISL website. (Links to an external site.)
● A computer (Mac, Linux, or Windows) with an up-to-date operating system and a modern web browser and
your favorite code editor (ViM, emacs, Notepad++,…) and ability to
install Anaconda [Link] (Links to an external site.), to program in Python and
R.
