Initiation au Machine Learning avec R (Live Virtual Class)

Savoir structurer un projet de Machine Learning.
Connaître les principaux algorithmes de Machine Learning.
Être capable d’évaluer et comparer différents modèles.
Connaître les écueils principaux et savoir les éviter

Introduction

• C’est quoi le Machine Learning?
• L’environnement R pour le Machine Learning
• Comment structurer un projet de Machine Learning

Les essentiels de la manipulation de données en R

• Le tidyverse
• dplyr et tidyr pour manipuler les données
• Les cinq verbes fondamentaux
• Vue d’ensemble des packages fondamentaux en R
• Cas pratique

Analyse de Données Exploratoire (EDA)

• Exploration d’un jeu de données
• Visualisation de données à l’aide de ggplot2
• Comment repérer les valeurs aberrantes
• Comment changer le type des variables
• Cas pratique

Créer un modèle de Machine Learning

• Les modèles supervisés et non-supervisés
• Classification vs Régression
• Systèmes de recommandation
• Le premier modèlede régression: La régression linéaire
• Le premier modèle de classification: Le k-NN
• Cas pratique

Évaluer un modèle de Machine Learning

• Le sur-apprentissage et le sous-apprentissage
• Spliter un jeu de données en entraînement et en test
• Comment effectuer une validation croisée
• Les différentes métriques en classification
• Les différentes métriques en régression
• Cas pratique

Les algorithmes de classification

• La régression logistique
• Les arbres de classification
• Les forêts aléatoires
• Les SVM
• Les SVM à noyau
• Comparatif et récapitulatif

Les algorithmes de régression

• La régression ridge, LASSO, et Elastic net
• Les arbres de régression
• Les forêts aléatoires
• Comparatif et récapitulatif

Communiquer les résultats

• Enregistrer un modèle
• Créer une application Shiny

Une attestation de participation sera transmise aux participants