Table of content¶

Partie machine learning avec Scikit-learn :

Apprentissage supervisée¶

Présentation générale¶

Méthodologie basée sur les modèles linéaires¶

Ecrit

Les moindres carrés¶

Ecrit

Hubert Regression¶

Quantile Regression¶

Approche proba -> bayésienne¶

Régression d’arête¶

Ecrit mais mettre en accord avec la suite

Lasso¶

Elastic-Net¶

OMP¶

Régression logistique¶

Descente de gradient stochastic¶

Perceptron¶

SVM¶

Présentation¶

Problème géométrique¶

Refit sig sur hyperplan -> estimation de proba car calcul de distance - Régression¶

Classification¶

Les fonctions noyaux¶

Exemple sur un exemple jouet et sur un jeu de données de la vraie vie¶

Les plus proches voisins¶

Classification¶

Régression¶

Processus Gaussian¶

Regression¶

Classification¶

Les fonctions à noyaux¶

Arbres de décisions (gradient boosting + random forest)¶

Présentations générales¶

Classification¶

Régressions¶

Les réseaux de neurones¶

Présentation générale¶

Perceptron multi-couche¶

Classification¶

Régression¶

Régularisation¶

Apprentissage non-supervisé¶

Modèle de mélanges gaussiens¶

Apprentissage de type manifold¶

Méthodes de partitionnement (clustering)¶

K-means¶

Mean Shift¶

Méthode spectral¶

Méthode hiérarchique¶

Le Bi-clustering¶

Méthodes utilisant la décomposition du signal¶

PCA / reduction dimension¶

TSNE¶

NMF¶

Embedding Réseaux de neurone¶

ICA¶

LDA¶

Réseaux de neurones¶

Recherche de paramètre optimaux d’un modèle¶

Calcul et traitement de données de grande dimension / problème réel

La notion de « pipeline »¶

Pré-traitement des données¶

Cas des données manquantes¶

next

Apprentisage automatique supervisé