Dans ce module, nous allons nous plonger dans l'analyse de régression, en commençant par une vue d'ensemble des différents types de régression. Nous explorerons ensuite la régression univariée et multivariée, avec des laboratoires et des exercices pratiques, afin de consolider notre compréhension de ces techniques essentielles.

Dans ce module, nous nous concentrerons sur la préparation et l'évaluation des modèles d'apprentissage automatique. Nous explorerons des concepts critiques tels que l'underfitting et l'overfitting, apprendrons à fractionner les données pour l'évaluation des modèles, et pratiquerons des techniques de rééchantillonnage pour garantir la robustesse des performances des modèles.

Dans ce module, nous nous pencherons sur les principes fondamentaux de la régularisation. Nous explorerons le fonctionnement de techniques telles que la régularisation L1 et L2 et nous nous entraînerons à les appliquer lors de séances de travaux pratiques afin d'améliorer la fiabilité et les performances de nos modèles.

Dans ce module, nous aborderons les bases de la classification. Nous commencerons par les matrices de confusion et les courbes ROC, puis nous nous engagerons dans des sessions interactives et de laboratoire pour acquérir une expérience pratique dans l'évaluation et l'optimisation des modèles de classification.

Dans ce module, nous allons explorer les arbres décisionnels pour la classification. Nous apprendrons comment ils fonctionnent, nous participerons à des séances de laboratoire pour construire et mettre en œuvre des modèles d'arbres décisionnels, et nous appliquerons nos connaissances pour résoudre des problèmes pratiques de classification.

Dans ce module, nous allons nous plonger dans les Forêts d'arbres décisionnels. Nous comprendrons les principes de l'Apprentissage ensembliste, nous nous engagerons dans des laboratoires de codage pour construire et optimiser des modèles de Forêts d'arbres décisionnels, et nous explorerons comment ces techniques améliorent les performances de classification.

Dans ce module, nous allons explorer la régression logistique pour la classification. Nous apprendrons comment fonctionnent les modèles de régression logistique, nous nous engagerons dans des laboratoires de codage pour construire et interpréter ces modèles, et nous appliquerons nos connaissances pour résoudre des tâches pratiques de classification.

Dans ce module, nous allons nous plonger dans les Machines à vecteurs support (SVM). Nous apprendrons comment fonctionnent les SVM, nous nous engagerons dans des laboratoires de codage pour construire et optimiser des modèles SVM, et nous appliquerons nos connaissances pour résoudre des tâches de classification difficiles.

Dans ce module, nous allons explorer les modèles d'ensemble. Nous comprendrons le fonctionnement de ces techniques, découvrirons comment elles améliorent les performances de classification et évaluerons leur impact sur la précision et la robustesse des modèles.

Dans ce module, nous nous pencherons sur les règles d'association. Nous explorerons les principes fondamentaux de cette technique, appliquerons l'algorithme Apriori dans des laboratoires pratiques et nous nous entraînerons à extraire des associations et des modèles significatifs à partir d'ensembles de données du monde réel.

Dans ce module, nous allons explorer les techniques de clustering. Nous commencerons par une vue d'ensemble, puis nous nous plongerons dans des méthodes spécifiques telles que les K-moyennes, le clustering hiérarchique et DBSCAN. Grâce à des laboratoires et des exercices pratiques, nous acquerrons une expérience concrète du regroupement de données et de la découverte de modèles.

Dans ce module, nous nous pencherons sur la réduction de dimensionnalité. Nous explorerons des techniques telles que l'ACP et le t-SNE, nous nous engagerons dans des sessions pratiques de laboratoire et nous appliquerons ces méthodes pour simplifier et interpréter des structures de données complexes.

Dans ce module, nous explorerons l'apprentissage par renforcement. Nous comprendrons les mécanismes des algorithmes d'apprentissage par renforcement, nous appliquerons l'algorithme UCB dans des sessions interactives et de laboratoire, et nous acquerrons des compétences pratiques dans l'optimisation des agents d'apprentissage par renforcement pour une meilleure prise de décision dans des environnements incertains.