La théorie face à la pratique

• 2A.ml - Tree, hyperparamètres, overfitting
  • Données générées
  • Différents arbres de décision
  • Random Forest
  • Base d’apprentissage et et base de test
  • Exercice 1 : déterminer les paramètres optimaux pour cet exemple
  • Exercice 2 : ajouter quelques points aberrants
  • Intervalles de confiance
  • XGBoost
  • Exercice 3 : optimiser les hyperparamètres pour XGBoost et scikit-learn et comparer
• 2A.ml - Features ou modèle
• 2A.ml - Problèmes classiques de machine learning illustrés
  • Supervisés
  • Non supervisés
  • Ridge / Lasso / Régularisation
  • Learner / Transformer / Pipeline
  • Exercice 1 : classifier avec plusieurs classes
  • Exercice 2 : grand nombre de classes ?
  • Exercice 3 : ranking
• 2A.ml - Boosting, random forest, gradient - les features qu’ils aiment
  • Modèle ou features ?
  • Boosting
  • Weak Learners
  • Forces et faiblesses des modèles de machine learning
  • Benchmark
• 2A.ml - Interprétabilité et corrélations des variables
  • Modèles linéaires
  • Arbres (tree)
  • Interprétation et corrélation
• 2A.data - Classification, régression, anomalies - correction
  • Les données
  • Premier modèle
  • Courbe ROC pour chaque classe
  • Anomalies
  • Score de confiance pour une régression
• Gradient Boosting
  • Premier exemple
  • learning rate et itérations
  • L’algorithme
  • Régression quantile
  • learning_rate et sur-apprentissage
  • Gradient Boosting avec d’autres librairies