Machine Learning avec MATLAB

Jour 1 sur 2

Importation et organisation des données

Objectif: Importer les données dans MATLAB et les organiser pour l'analyse, en particulier en les normalisant et en supprimant les observations contenant des valeurs manquantes.

• Types de données
• Tableaux
• Préparation des données

Recherche de motifs (patterns) dans les données

Objectif: Utiliser les techniques d'apprentissage non supervisé pour grouper les observations suivant des variables explicatives. Découvrir des motifs dans les données.

• Apprentissage non supervisé
• Méthodes de partitionnement
• Evaluation du partitionnement et interprétation

Construction d'un modèle de classification

Objectif: Utiliser les techniques d'apprentissage supervisé pour effectuer de la modélisation prédictive pour les problèmes de classification. Evaluer la précision d'un modèle prédictif.

• Apprentissage supervisé
• Apprentissage et validation
• Méthodes de classification

Jour 2 sur 2

Amélioration des modèles de prédiction

Objectif: Réduire la dimensionalité d'un jeu de données. Améliorer et simplifier les modèles d'apprentissage automatique.

• Validation croisée
• Optimisation des hyperparamètres
• Transformation de caractéristiques
• Sélection de caractéristiques
• Apprentissage d'ensemble

Construction de modèles de régression

Objectif: Utiliser des techniques d'apprentissage supervisé pour la construction de modèles prédictifs pour des variables de sortie continues.

• Méthodes de régression paramétrique
• Méthodes de régression non-paramétrique
• Validation de modèles de régression

Création de réseaux de neurones

Objectif: Créer et entrainer un réseau de neurones pour le clustering et la prédiction. Ajuster l'architecture du réseau pour améliorer les performances.

• Clustering avec des cartes autoadaptatives
• Classification avec des réseaux sans rétroactions
• Régression avec des réseaux sans rétroactions