Machine Learning avec Python

Programme

L’environnement de développement Python / Anaconda / Jupyter Notebook

Pandas : l’analyse de données tabulaires (CSV, Excel), statistiques, pivots, jointures et filtres

Traitement des valeurs manquantes : imputation par la moyenne, médiane, interpolation, knn

Traitement des Outliers : analyse graphique, méthode de l’IQR, Z-score

Standardisation

Normalisation : Skewness et Kurtosis

Données non balancées : Undersampling, Oversampling, SMOTE

Modèles d’apprentissage supervisés et non-supervisés les plus courants

Entraînement de modèles avec Scikit-learn

Méthodes d’évaluations : savoir choisir les bonnes métriques pour chaque problématique

Présentation des librairies Optuna et Hyperopt

Présentation de l’approche Grid Search pour identifier les meilleurs hyper paramètres d’un modèle

Log des hyper paramètres et des performances dans Mlflow

Intérêt de vérifier le modèle Drift et le Data Drift

Présentation des librairies Evidently et Streamlit

Présentation du service AWS EC2

Présentation de Flask pour la mise à disposition d’un modèle de machine learning par le biais d’une API

Présentation de divers outils de connexion à l’environnement virtuel tels que Putty et Visual Studio Code

Déploiement du code par le biais de GitHub