Ce cours donne une rapide introduction sur le Machine Learning avec Python.
Pour ce cours, vous pouvez visionner une video très bien ici, et recevoir un poly très bien fait en vous inscrivant ici: https://www.machinelearnia.com/ , si vous êtes intéressé. Des exemples et exercices pour s'entrainer sont ici.
Un cours très bien fait, avec Labs et TD est ici.
Rapide introduction à Python : ici, ici et ici, et plus étoffé ici.
Leçon 2 : Science des données et visualisation : slides et code
Leçon 3 : Pandas et Exploratory Data Analysis slides et code
Leçon 4 : Régression slides
Lecon 7 : Arbres de décision et random forests slides et code.
Leçon 9 et 10 : Exploratory Data Analysis (suite !) slides
Leçon 11 : Régression logistique slides et LAB (survolé en cours lors de la leçon 12 car abordé dans des cours antérieurs)
Leçon 12 : Régression logistique 2 slides et LAB (survolé en cours lors de la leçon 12 car abordé dans des cours antérieurs)
Leçon 13 : Réseaux de neurones profonds : slides (première partie), slides (deuxième partie) + slides (troisième partie plus technique, pas faite en classe), slides (quatrième partie plus technique, pas faite en classe) + LAB (réseaux de neurones sous Keras) et LAB (concepts avancés, régularisation etc).
Leçon 14 : Réseaux de neurones récurents : slides (première partie), slides (deuxième partie) et application en analyse de données textuelles.
Exercices d'entrainement: 1ère partie, 2ième partie, 3ième partie, 4ième partie.
Projet : Pour ce projet, il est demandé de refaire les expériences décrites dans les deux documents suivant à partir d'un nouveau dataset de votre choix et commenter les résultats de chaque expérience
L'évaluation sera faire sur la base d'un rapport sur les résultats d'expériences sous la forme de deux notebooks.
Des point supplémentaires pourront être données pour les étudiants qui souhaitent étudier les performance sur des données de finance avec un réseau de neurone TFT comme proposé ici. Me contacter si vous êtes intéressé.