Formation Fondements de l'intelligence artificielle (IA) et de l'apprentissage automatique

Introduction à l'apprentissage automatique appliqué

• Apprentissage statistique vs apprentissage automatique
• Itération et évaluation
• Compromis biais-variance
• Apprentissage supervisé vs apprentissage non supervisé
• Problèmes résolus par l'apprentissage automatique
• Entraînement, validation, test – flux de travail d'apprentissage automatique pour éviter le surapprentissage
• Flux de travail de l'apprentissage automatique
• Algorithmes d'apprentissage automatique
• Choix de l'algorithme approprié pour le problème

Évaluation des algorithmes

• Évaluation des prédictions numériques
  • Mesures de précision : ME, MSE, RMSE, MAPE
  • Stabilité des paramètres et des prédictions
• Évaluation des algorithmes de classification
  • Précision et ses problèmes
  • La matrice de confusion
  • Problème des classes déséquilibrées
• Visualisation des performances du modèle
  • Courbe de profit
  • Courbe ROC
  • Courbe de levier (lift curve)
• Sélection du modèle
• Ajustement du modèle – stratégies de recherche sur grille

Préparation des données pour la modélisation

• Importation et stockage des données
• Comprendre les données – explorations de base
• Manipulation des données avec la bibliothèque pandas
• Transformations des données – préparation des données (data wrangling)
• Analyse exploratoire
• Observations manquantes – détection et solutions
• Valeurs aberrantes – détection et stratégies
• Standardisation, normalisation, binarisation
• Recodage des données qualitatives

Algorithmes d'apprentissage automatique pour la détection de valeurs aberrantes

• Algorithmes supervisés
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Algorithmes non supervisés
  • Basés sur la distance
  • Méthodes basées sur la densité
  • Méthodes probabilistes
  • Méthodes basées sur un modèle

Comprendre l'apprentissage profond

• Aperçu des concepts de base de l'apprentissage profond
• Différencier l'apprentissage automatique et l'apprentissage profond
• Aperçu des applications de l'apprentissage profond

Aperçu des réseaux de neurones

• Qu'est-ce que les réseaux de neurones
• Réseaux de neurones vs modèles de régression
• Comprendre les fondements mathématiques et les mécanismes d'apprentissage
• Construire un réseau de neurones artificiel
• Comprendre les nœuds de neurones et les connexions
• Travailler avec les neurones, les couches et les données d'entrée et de sortie
• Comprendre les perceptrons à une couche
• Différences entre apprentissage supervisé et non supervisé
• Apprentissage des réseaux de neurones feedforward et feedback
• Comprendre la propagation avant et la rétropropagation (backpropagation)

Construire de simples modèles d'apprentissage profond avec Keras

• Création d'un modèle Keras
• Comprendre vos données
• Spécifier votre modèle d'apprentissage profond
• Compiler votre modèle
• Ajuster votre modèle
• Travailler avec vos données de classification
• Travailler avec des modèles de classification
• Utiliser vos modèles

Travailler avec TensorFlow pour l'apprentissage profond

• Préparation des données
  • Téléchargement des données
  • Préparation des données d'entraînement
  • Préparation des données de test
  • Mise à l'échelle des entrées
  • Utilisation de variables réservées (placeholders) et de variables
• Spécifier l'architecture du réseau
• Utiliser la fonction de coût
• Utiliser l'optimiseur
• Utiliser les initialiseurs
• Ajuster le réseau de neurones
• Construction du graphe
  • Inférence
  • Perte (Loss)
  • Entraînement
• Entraînement du modèle
  • Le graphe
  • La session
  • Boucle d'entraînement
• Évaluation du modèle
  • Construction du graphe d'évaluation
  • Évaluation avec la sortie d'évaluation
• Entraînement de modèles à grande échelle
• Visualisation et évaluation des modèles avec TensorBoard

Application de l'apprentissage profond à la détection d'anomalies

• Auto-encodeur
  • Architecture encodeur - décodeur
  • Perte de reconstruction
• Auto-encodeur variationnel
  • Inférence variationnelle
• Réseau antagoniste génératif (GAN)
  • Architecture générateur – discriminateur
  • Approches de la détection d'anomalies (AN) utilisant les GAN

Cadres d'ensembles (Ensemble Frameworks)

• Combinaison des résultats de différentes méthodes
• Bootstrap Aggregating (Bagging)
• Moyenne du score des valeurs aberrantes