Utilisez des modèles supervisés non linéaires

Dans le cours Entraînez un modèle prédictif linéaire, vous avez appris à construire des modèles linéaires de classification binaire ou multi-classe et de régression.

Mais ceux-ci peuvent ne pas être adaptés à la nature de vos données. Dans ce cours, vous apprendrez à entraîner des modèles supervisés non-linéaires sur vos données.

Vous comprendrez comment construire un modèle non-linéaire grâce à une redescription des données, et saurez utiliser les méthodes à noyaux, qui permettent d’étendre les notions de SVM et de régression ridge au cas non-linéaire. Enfin, vous découvrirez les réseaux de neurones artificiels et comprendrez les bases du deep learning.

Suivez ce cours pour développer des modèles prédictifs non linéaires puissants !

Objectifs pédagogiques :

  • Utiliser des noyaux pour étendre des méthodes linéaires (SVM, régression ridge) à des cas non-linéaires ;
  • Comprendre l’intérêt de l’astuce du noyau ;
  • Comprendre le fonctionnement du perceptron ;
  • Appréhender les réseaux de neurones multi-couches et la backpropagation ;
Centralesupelec
Organisateur :

CentraleSupelec OpenClassrooms

* MOOC Francophone est un service de mise en relation sans inscription et sans intermédiaire. Nous n’organisons aucun cours, le lien « Suivre le cours » vous redirige vers la page web des organisateurs. Les participants peuvent également évaluer ce cours en cliquant ici
  • icon

    Intervenants

    Chloé-Agathe Azencott
    Chargée de recherche au CBIO de MINES ParisTech & Institut Curie. Enseignante à CentraleSupélec. Machine learning & bioinformatique.

  • icon

    Durée

    2 séquences

  • icon

    Prérequis

    Python pour le calcul numérique (numpy) et la création de graphiques (pyplot), que nous utiliserons dans les parties TP du cours,

    Quelques notions d’algèbre linéaire : manipulation de vecteurs, multiplications de matrices, normes, et valeurs/vecteurs propres,

    Quelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et variance,

    Les notions de régression linéaireridge et SVM.

  • icon

    Charge de travail

    12 heures au total

  • icon

    Coût

    Gratuit

  • icon

    Certification

    Vous devez compléter tous les exercices du cours et obtenir une note finale d’au moins 70% pour obtenir votre certification !

    Un compte OpenClassrooms Premium Solo (20€ / mois) est nécessaire pour valider votre certification.

  • icon

    Déroulement

    Chaque cours est composé d’une ou plusieurs parties et peut comporter du texte, des images (schéma, illustration) et des vidéos. Les vidéos des cours durent 10 minutes maximum, avec une moyenne de 3-4 minutes. Elles sont visualisables à tout moment sur OpenClassrooms et téléchargeables en haute définition.

    Chaque partie d’un cours certifiant est ponctuée d’exercices de 2 types :
    – des quiz corrigés automatiquement
    – des devoirs libres (exemple : créer un site web avec des consignes précises).

    Ces devoirs sont évalués par les pairs. Chaque devoir est corrigé 3 fois par 3 autres élèves, dans un processus en double aveugle, selon un barème fixé par le professeur. La note finale est la moyenne des 3 notes reçues sur le devoir.

    Si vous rencontrez des difficultés, pas de panique ! Vous pouvez à tout moment obtenir de l’aide sur les forums.

  • icon

    Programme

    Partie 1 – Utilisez des noyaux pour appliquer des algorithmes linéaires au cas non-linéaire
    1. Transformez un problème non-linéaire en un problème linéaire
    2. Classifiez vos données avec une SVM à noyau
    3. Apprenez des étiquettes réelles avec une régression ridge à noyau
    Quiz : Partie 1

    Partie 2 – Entraînez un réseau de neurones artificiels
    1. Entraînez un réseau de neurones simple
    2. Empilez les perceptrons
    Quiz : Partie 2

    Certificat de réussite

  • icon

    Plateforme

    OpenClassrooms
    Une technologie issue du projet Open Source CLAIRE (Community Learning through Adaptive and Interactive multichannel Resources for Education) développé conjointement par OpenClassrooms (ex : Simple IT / Site du zéro), le laboratoire LIRIS (équipe Silex), et INRIA Grenoble (équipe WAM)

Pin It on Pinterest

Share This
+