TMLS2019 - Perspectives sur l'apprentissage automatique

Aperçu

Explorez des techniques avancées pour optimiser les modèles d'apprentissage automatique et améliorer leur performance dans des applications réelles.

Programme

• Introduction à l'apprentissage automatique avancé
Présentation des objectifs du cours
Compréhension des défis d'application dans le monde réel
• Techniques d'optimisation des modèles
Réglage des hyperparamètres
Outils d'apprentissage automatique automatique (AutoML)
Sélection et ingénierie des caractéristiques
• Algorithmes et techniques avancées
Méthodes d'apprentissage en ensemble
Bagging, Boosting et Stacking
Techniques de réduction dimensionnelle
ACP, t-SNE, LDA
Optimisations des réseaux de neurones
Dropout, Normalisation de lot, Programmes de taux d'apprentissage
• Amélioration de la généralisation des modèles
Techniques de régularisation
Régularisation L1 et L2
Stratégies de validation croisée
K-Fold, Leave-One-Out
Analyse et atténuation des erreurs
• Applications réelles et performance
Études de cas de mise en œuvre de l'IA
Gestion des jeux de données déséquilibrés
Scalabilité et déploiement
• Évaluation et interprétation des modèles
Métriques avancées pour l'évaluation des modèles
Précision, Rappel, Score F1, AUC-ROC
Outils d'interprétabilité
SHAP, LIME
• Éthique et responsabilités en apprentissage automatique
Considérations sur les biais et l'équité
Préoccupations de confidentialité et de sécurité
• Directions futures en apprentissage automatique
Tendances et technologies émergentes
Le rôle de l'IA dans la société
• Révision finale et projet
Résumé du cours
Application pratique dans un projet réel
Présentations et session de feedback

Sujets

Conférences