Deep Learning

Author

Aptitek

🦾 Machine Learning & Deep Learning

Bienvenue dans le module d’Introduction au Machine Learning & Deep Learning. Ce cours intensif a pour objectif de vous faire passer du stade de spectateur de données à celui d’architecte de modèles prédictifs. Nous allons déconstruire les boîtes noires des algorithmes de prédiction classiques et poser les fondations indispensables des réseaux de neurones profonds.

  • Mathématiques : Notions en algèbre linéaire (matrices, vecteurs) et statistiques descriptives (moyenne, écart-type, corrélation).
  • Programmation : Maîtrise solide de Python (notamment les bases de Pandas et NumPy) et utilisation du terminal.
  • Anglais : Capacité à lire de la documentation technique et des rapports d’erreur.
  • Outils : Connaissance basique de Git et de l’environnement Jupyter Notebook.

🎯 Objectifs Pédagogiques

À l’issue de ce module, vous serez capables de :

  1. Préparer et nettoyer des données hétérogènes pour les rendre prêtes à l’apprentissage (gestion des données manquantes, encodage des variables catégorielles, traitement des outliers).
  2. Réduire la dimensionnalité des données à l’aide de l’Analyse en Composantes Principales (PCA) et sélectionner les features les plus pertinentes.
  3. Entraîner et comparer les performances des principaux algorithmes de Machine Learning supervisé (régression linéaire/logistique, arbres de décision, Random Forest, SVM) et non supervisé (K-Means).
  4. Comprendre les fondements des réseaux de neurones artificiels (Perceptron Multicouche, fonctions d’activation, rétropropagation du gradient).
  5. Diagnostiquer et optimiser les performances de vos modèles à l’aide des bonnes métriques d’évaluation et de techniques de régularisation contre le surapprentissage (overfitting).