Les machines à vecteurs de support (SVM) avec scikit-learn
Généralités
Description :
Ce cours d’introduction aux machines à vecteurs de support (SVM) avec scikit-learn vous plongera dans les concepts fondamentaux de l’apprentissage automatique supervisé. Vous découvrirez comment les SVM, une technique puissante, peuvent être utilisées pour résoudre des problèmes de classification et de régression. À travers des exemples pratiques et des exercices, vous apprendrez à utiliser la bibliothèque scikit-learn pour mettre en œuvre des SVM et à interpréter les résultats.
Objectifs:
- Comprendre les bases de l’apprentissage automatique supervisé.
- Apprendre les concepts et le fonctionnement des machines à vecteurs de support.
- Savoir utiliser scikit-learn pour mettre en œuvre des SVM.
- Être capable de choisir et d’ajuster les paramètres appropriés pour optimiser les performances.
- Maîtriser l’application des SVM à la classification et à la régression.
- Acquérir les compétences nécessaires pour interpréter les résultats des modèles SVM.
Public:
Ce cours est destiné aux étudiants, chercheurs, professionnels en informatique et toute personne intéressée par l’apprentissage automatique. Aucune expérience préalable en apprentissage automatique n’est requise, mais une familiarité de base avec les concepts mathématiques et statistiques serait un avantage.
Objectifs
- Maîtriser l’environnement de travail de R avec Rstudio
- Manipuler et gérer des données avec R et les packages de data manipulation les plus récents (dplyr, data.table…)
- Maîtriser l’application de méthodes de data science
- Connaitre les bases de la programmation avec R
Prérequis:
- Connaissances de base en algèbre linéaire et en statistiques.
- Compréhension élémentaire des concepts d’apprentissage automatique.
- Familiarité avec le langage de programmation Python (pas obligatoire, mais utile).
.
Contenu du cours
Introduction aux SVM
- Introduction à l’apprentissage automatique supervisé et à la classification.
- Concepts fondamentaux des machines à vecteurs de support.
- Avantages et limitations des SVM.
Fondements Mathématiques des SVM
- Compréhension de l’hyperplan et de la marge maximale.
- Formulation mathématique des SVM linéaires.
- Transformation du problème linéaire en problème non linéaire.
Mise en œuvre avec scikit-learn
- Présentation de la bibliothèque scikit-learn pour l’apprentissage automatique en Python.
- Utilisation des SVM pour la classification binaire.
- Prétraitement des données et normalisation.
SVM non linéaires et noyaux
- Introduction aux SVM non linéaires.
- Utilisation de noyaux pour transformer les données dans un espace de dimension supérieure.
- Exploration de différents types de noyaux.
Régression avec les SVM
- Extension des SVM à la régression.
- Choix de la fonction de perte et paramètres pour la régression.
- Comparaison avec d’autres techniques de régression.
Optimisation des modèles SVM
- Réglage des hyperparamètres pour améliorer les performances.
- Validation croisée pour évaluer et ajuster les modèles SVM.
- Techniques de gestion de l’overfitting et de l’underfitting.
Interprétation des résultats
- Analyse des résultats des modèles SVM.
- Visualisation des frontières de décision et des marges.
- Explication des prédictions et des poids attribués aux caractéristiques.
Applications pratiques et projets
- Applications réelles des SVM dans des domaines tels que la vision par ordinateur et la bioinformatique.
- Travaux pratiques et projets pour mettre en pratique les connaissances acquises.
- Conclusion et perspectives sur les développements futurs dans le domaine des SVM.
Informations
| Niveau | Intermédiaire |
| Modes d’enseignement | Présentiel – Distanciel – A votre rythme en MOOC |
| Durée | 3 jours -21 heures |
| Lieux | Paris |
| Code cours | MLSVM00 |