/tuto_sklearn

Primary LanguageJupyter Notebook

Tutoriel sur la bibliothèque scikit-learn

Introduction aux outils de machine-learning

Session 1: Prise en main des modèles

  1. Les différents modèles de références, apprentissage, inférence
  2. Introspection légère des modèles
  3. Les approches ensemblistes

Session 2: Evaluation(s) et sélection(s)

  1. Métriques d'évaluation
    • taux de bonne classification, précision, rappel, f1... Mais aussi ROC
    • validation croisée
  2. Sélection de modèles, sélection de caractéristiques
    • procédure à la main
    • grid search

Session 3: Chaine de traitement

  1. Pré-traitement des données
    • données catrégorielles
    • données manquante
  2. Construction d'une chaine
    • nature des données d'entrée (en apprentissage puis en inférence)
  3. Optimisation de l'ensemble de la chaine
    • retour sur le Grid-search

Evaluation de l'UE Prog

Le module de programmation sera évalué sous la forme de projet:

  • A réaliser en monome ou en binome

  • Rendre en Janvier (date à préciser)

    • Une partie du travail est possible dès maintenant

  • Basé sur au moins 3 jeux de données permettant de mettre en avant:

    • Différentes tâches supervisées: classification, régression
    • Optimisation des performances (sélection de modèles, de caractéristiques, optimisation des pré-traitement)
      • Présentation des performances de référence par rapport aux performances optimisées
    • Modèles scikit-learn + approches deep-learning
    • Les sources de données sont:
      • kaggle
      • UCI
      • toute autre sources ou API est également valable
      • 🟥 Valider l'intérêt des données et de la tâche avec moi avant de vous lancer 🟥

  • Présentation et consigens détaillées pour les notebooks à rendre

    • 1 notebook par jeu de données
    • Si vous avez des fonctions partagées entre notebooks, merci d'utiliser des modules
    • Il est tout à fait possible (et souhaitable) de bien présenter les résultats dans le notebook (diagramme bar, tableaux, etc...)
    • Ces résultats doivent être accompagnés d'analyses (succinctes mais pertinentes). Ces analyses seront présentées dans des boites distinctives pour que je ne puisse pas manquer vos commentaires:
    > <span style="color:magenta"> Nous nous attendions à ce que le modèle 1 soit meilleur que le 2 car... </span>