Scribd
Importer
3 vues6 pages

Module 1 Introduction Machine Learning

Ce module présente les fondations du Machine Learning, y compris les types d'apprentissage, le pipeline ML, et les bases mathématiques nécessaires. Il prépare les apprenants à manipuler des données réelles et à construire un pipeline de traitement. Les objectifs incluent la réalisation d'une exploration de données simple et l'application de techniques de préparation des données.

Transféré par

kajarnakdossoulkss
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues6 pages

Module 1 Introduction Machine Learning

Ce module présente les fondations du Machine Learning, y compris les types d'apprentissage, le pipeline ML, et les bases mathématiques nécessaires. Il prépare les apprenants à manipuler des données réelles et à construire un pipeline de traitement. Les objectifs incluent la réalisation d'une exploration de données simple et l'application de techniques de préparation des données.

Transféré par

kajarnakdossoulkss
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Module 1 - Introduction et Fondations du Machine Learning

Auteur : Copilot

Duree estimee : 1 semaine (6-10 h)

Resume : Ce module introduit les bases du Machine Learning, les types d'apprentissage, le pipeline

ML, les fondements mathematiques, l'exploration de donnees (EDA) et la preparation des donnees.

Il constitue la premiere etape du parcours professionnel en ML.


Resume du module
Ce module constitue l'introduction fondamentale au parcours Machine Learning. Il pose les bases

necessaires pour comprendre les types d'apprentissage, le cycle de vie d'un projet ML, les outils de

preparation des donnees et les notions mathematiques essentielles. Il prepare l'apprenant a

manipuler un jeu de donnees reel et a construire un pipeline de traitement reproductible.


Objectifs pedagogiques
- Comprendre les types d'apprentissage (supervise, non supervise, renforcement)

- Identifier les etapes d'un pipeline ML

- Realiser une EDA simple

- Appliquer les techniques de nettoyage, encodage, scaling

- Utiliser scikit-learn pour construire un pipeline de preprocessing

- Comprendre les bases mathematiques (esperance, variance, gradient)


Prerequis et installation
Prerequis : Python, statistiques de base, algebra lineaire.

Installation rapide :

Via conda :

conda create -n ml_env python=3.9 -y

conda activate ml_env

pip install numpy pandas scikit-learn matplotlib seaborn jupyter

Via pip :

pip install numpy pandas scikit-learn matplotlib seaborn jupyter


Contenu pedagogique
A. Introduction au ML

Le Machine Learning est une branche de l'IA qui permet aux machines d'apprendre a partir de

donnees. Trois types :

- Supervise : predire une variable cible (ex : prix, spam)

- Non supervise : decouvrir des structures (ex : clustering)

- Renforcement : apprentissage par recompense (ex : jeux, robotique)

B. Pipeline ML

Etapes : collecte -> nettoyage -> feature engineering -> modelisation -> evaluation -> deploiement

Bonne pratique : separer train/val/test avant toute transformation.

C. Notions mathematiques

Esperance : E[X] = Somme x*p(x)

Variance : Var(X) = E[(X - mu)^2]

Produit scalaire : u.v = Somme u_i*v_i

Descente de gradient : theta <- theta - eta * gradient(J(theta))

D. EDA

Visualisations : histogrammes, boxplots, pairplot, heatmap

Detection : [Link]().sum(), IQR pour outliers

E. Preparation des donnees

Imputation : SimpleImputer

Encodage : OneHotEncoder, LabelEncoder

Scaling : StandardScaler, MinMaxScaler

Pipeline : make_pipeline(imputer, scaler)


Checklist de fin de module
- Avoir execute le notebook complet

- Avoir compris les etapes du pipeline

- Avoir obtenu un dataset pret a l'emploi

- Score >= 80% au quiz

Vous aimerez peut-être aussi