Régression Linéaire sans utiliser sklearn (part2)
Objectifs:
Le code de gradient descent complet
Les étapes à suivre:
Initilisation d’un modèle
Montrer comment se fait la mise à jour d’un modèle
Montrer comment modifier les paramètres du modèle
Calculer cost function Mean Squared Error (MSE) de plusieurs modèles
Analyser l’évolution de MSE en fonctions des paramètres
Analyser l’évolution de MSE en fonctions des paramètres à l’aide des graphes
Tracer et comparer des modèles
Découvrir le modèle qui minimise MSE
Le minimum de cost function
Les dérivées partielles et leurs rôles
Le pas d’apprentissage (learning rate) et son rôle
La mise à jour itérative: epochs
Les bases de Machine Learning
1-Python pour Machine Learning (étape 1)
2-Introduction à machine Learning
3-Régression Linéaire à l’aide de sklearn
+++ Dataset: Features, target
+++ Forme mathématique de la régression linéaire
+++ Les étapes pour créer un modèle de régression avec sklearn
+++ Evaluer un modèle de régression: error, mse, mae, rmse, r2
+++ Préparation de données : Label Encoder – Onehot Encoder
+++ Applications: Nuage de points, Advertissing Problem, Profit Startup, Cars Co2 Emisison Prediction
4- Python pour Machine Learning (étape 2)
5- Régression Linéaire sans sklearn – from scratch
+++ Ce que c’est l’apprentissage exactement – update parameters
+++ Analyse de cost function (mse) en fonction des paramètres
+++ Analyse de cost function (mse) en fonction des itérations
+++ Update parameters: combinaison de dérivée - Gradient – learning rate
+++ Gradient Descent: code source
6- Régression Logistique avec sklearn
+++ Présentation des problèmes de classification
+++ La forme mathématique de la régression logistique
+++ Les étapes à créer un modèle de classification
+++ Evaluer un modèle de classification: confusion matrix, accuracy, precision, recall, f1 score
+++ Applications: red or blue app, spam detection, diabetic detection
7- Régression Logistique sans sklearn
8- Les bases des réseaux de neurones
+++ Ce que c’est un réseau de neurones
+++ Les éléments d’un neurone: inputs, weights, weighted sum, activation, output
+++ De la régression linéaire au réseau de neurones: un seul neurone
+++ De la régression logistique au réseau de neurones: un seul neurone
+++ Applications