Introduction au Machine Learning

📋 Plan du Cours

1. Définition et applications du machine learning
2. Processus de machine learning
3. Types d’apprentissage automatique
4. Apprentissage supervisé : classification et régression
5. Complexité du modèle et surapprentissage
6. Analyse exploratoire des données
7. Caractéristiques et variable cible
8. K plus proches voisins KNN
9. Apprentissage et prédiction en Python
10. Évaluation des modèles et train test split
11. Régression linéaire et moindre carrés ordinaires
12. Régularisation ridge et lasso

📖 1. Définition et applications du machine learning

🔑 Notions clés & Définitions

• Intelligence artificielle : L’intelligence artificielle regroupe des théories et techniques visant à faire réaliser par des machines des comportements proches de l’intelligence humaine.
• Machine Learning : Le machine learning est un sous-ensemble de l’intelligence artificielle où des algorithmes apprennent à partir de données pour prédire ou décider sans être explicitement programmés.
• Données d’entraînement : Les données d’entraînement sont les exemples fournis à l’algorithme pour construire un modèle mathématique capable de généraliser à de nouvelles entrées.
• Modèle mathématique : Un modèle mathématique est la représentation construite par l’algorithme à partir des données d’entraînement pour produire des prédictions ou des décisions.

📝 Points essentiels