Pipeline de Machine Learning via Tidymodels en R
Objectifs pédagogiques
- Clarifier les concepts de base de l’apprentissage automatique supervisé, tels que les types de modèles, les algorithmes courants et les métriques courantes
- Connaître la librairie « tidymodels »
- Implémenter un workflow complet de machine learning
- Être capable d’appliquer et de paramétrer ces méthodes pour résoudre des problèmes professionnels
Programme détaillé
Machine Learning : méthodologie générale
Implémentation du workflow d’apprentissage supervisé via Tidymodels
- Séparation de Training Data et Test Data : rsample
- Data Pre-Processing et Feature Engineering: recipes
- Définition et ajustement des modèles (Régressions, Gradient Boosting, Random Forest, Réseaux de neurones, etc.) : parsnip
- Évaluation de la performance des modèles : yardstick
- Tuning paramètres du modèle : tune and dials
- Cross-Validation
- Pipeline de traitement : workflows et workflowset
- Sélectionner le meilleur modèle pour faire les prédictions finales
Public visé
Data analysts, chargés d’études statistiques, data scientists
Prérequis
- Connaissances de base en statistiques descriptives
- Connaissances de base sur les principaux algorithmes de machine Learning
- Connaissances intermédiaires de programmation R
Approche pédagogique
Moyens pédagogiques
Exposé théorique de concepts
Démonstration
Applications pratiques sur ordinateur
Étude de cas concrets
Échanges sur les pratiques et expériences des participants
Méthodes pédagogiques
Méthode expositive
Méthode démonstrative
Méthode interrogative
Méthode active
