/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

Session 4: Visualisation de données

  1. Rappels sur l'ACP
  2. Projections linéaires
  3. Projections non linéaires
  4. Interface interactive

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>