Informations administratives
| Titre | Session de laboratoire: SVM et Kernels |
| Durée | 2x45 |
| Module | A |
| Type de leçon | Pratique |
| Focus | Pratique — Modélisation de l’IA |
| Sujet | Modélisation de l’IA |
Mots-clés
machine vectorielle de soutien, fonction du noyau, RF, complexité du modèle,
Objectifs d’apprentissage
- Être capable de concevoir et d’utiliser un SVM linéaire
- Pour pouvoir concevoir une annonce, utilisez un SVM non linéaire, à l’aide d’un noyau
- Concevoir et opter pour un SVM (approche du livre de cuisine)
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Revue de Python de base.
- Examen de l’utilisation des modèles scikit-learn.
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
- Hands on Machine Learning avec Scikit-Learn et Tensorflow par Aurélién Géron
- Introduction à l’apprentissage automatique avec Python par Andreas C. Müller et Sarah Guido
- Cours Udemy — Machine Learning — A Z de Kirill Eremenko et Hadelin de Ponteves
- Cours Udemy — Ingénierie fonctionnelle pour l’apprentissage automatique par Soledad Galli
- Machine de support-vecteur sur wikipedia
- https://www.datacamp.com/community/tutorials/svm-classification-scikit-learn-python
- http://dataaspirant.com/2017/01/13/support-vector-machine-algorithm/
- https://www.ritchieng.com/machine-learning-evaluate-classification-model/
- https://en.wikipedia.org/wiki/Kernel_method
- https://en.wikipedia.org/wiki/Polynomial_kernel
- https://en.wikipedia.org/wiki/Radial_basis_function_kernel
- https://data-flair.training/blogs/svm-kernel-functions/
Recommandé pour les enseignants
- Une revue de la façon dont les fonctions pandas et scikit-learn utilisées dans le bloc-notes sont paramétrées.
Matériel de leçon
Instructions pour les enseignants
Cet événement d’apprentissage consiste en des tâches de laboratoire qui seront résolues par les étudiants avec l’aide de l’instructeur principal.
Préparez un ordinateur portable avec numpy, matplotlib, sns et scikit-learn installés.
Esquisse/horaire
| Durée (min) | Description | Concepts |
|---|---|---|
| 5 | Résumé des tâches à accomplir | |
| 25 | Exploration et prétraitement des données | description des données, valeurs manquantes, distributions de fonctionnalités, détection aberrante |
| 30 | Montage de modèles SVM | mise à l’échelle des données, SVM linéaire, RBF, complexité du modèle |
| 30 | Évaluation du modèle | optimisation de l’hyperparamètre, sous-ajustement, surajustement, courbe ROC |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.