Pipeline de Machine Learning via Tidymodels en R NEW
1 jour 765 Avancé
Prochaines sessions et informations pratiques
- 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
- 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
- Connaissances de base en statistiques descriptives
- Connaissances de base sur les principaux algorithmes de machine Learning
- Connaissances intermédiaires de programmation R
- Connaissances de base en statistiques descriptives
- Connaissances de base sur les principaux algorithmes de machine Learning
- Connaissances intermédiaires de programmation R
Data analysts, chargés d’études statistiques, data scientists
Data analysts, chargés d’études statistiques, data scientists
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
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
