Initiation au Machine Learning avec R

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