Please enable JavaScript.

Coggle requires JavaScript to display documents.

Initiation au Machine Learning - Coggle Diagram

- - - - Type de l'activité : Activité individuelle
      - Objectif : Utiliser le classificateur Naïve Bayes pour résoudre des problèmes de classification.
      - Durée : 1 heure
      - Ressources :
        :checkered_flag: lien vers : Comment charger la base de donnée "iris" dans votre notebook?
        :checkered_flag: Textes de 3 Exercices (TP1) sur 3 pages écrans (chaque exercice utilise un type du Naïve bayes:
        
        Texte du Ex1. : Gaussian Naïve Bayes,
        
        Lien vers le notebook contenant un exemple résolu utilisant Gaussian Naïve Bayes
        
        Texte Ex2 : Utiliser Bernoulli et Multinomial Naïve Bayes pour la même base de données (la base iris)
        
        Texte d'un autre exercice Ex3 qui contient un problème à résoudre et c'est à l'apprenant de voir quelle est la méthode entre les 3 variantes du Naïve bayes la plus adéquate pour résoudre ce problème donné : "Utiliser d’autres métriques de mesure de performance pour ces trois modèles de classifieurs Naïve Bayes (ex. ‘accuracy_score’, ‘classification_report’, ‘confusion_matrix’)"
        
        :checkered_flag: Exercice 4
        
        Texte de Ex4 : Classification de text utilisant Naïve Bayes (20newsgroups dataset)
        
        La base de données 20newsgroups.csv
      - Acteurs : Apprenant(1), Enseignant(2).
        Rôles: (1)Apprendre quand et comment utiliser les 3 variantes du Naïve bayes et Résoudre les problèmes donnés,
        (2)Evaluateur
      - Outil de travail recommandé : Jupyter Notebook, Scikit Learn (sklearn)
      - Livrables :
        :check: Fichier . ipynb qui contient tout les codes avec exécution sur le notebook jupyter de :
        
        Ex2
        
        Ex3
        
        :check: Fichier . ipynb qui contient tout le code avec exécution sur le notebook jupyter de :
        
        Ex4
    - - Type de l'activité : Activité individuelle
      - Objectif : Utiliser le classificateur K Plus Proche Voisin pour résoudre un problème de classification : Entraîner un modèle qui sera capable de reconnaître les chiffres écrits sur le type d'images dans MNIST dataset.
      - Durée : 20min
      - Ressource : 2 Exercices (TP2) sur 2 pages écrans (chaque exercice utilise KPPV) :
        
        Texte Ex1 : résolu (l'apprenant n'a qu'à traiter l'exemple et voir à chaque fois l'exécution de chaque instruction).
        
        Texte Ex2 : exercice à résoudre par l'apprenant utilisant le kppv.
      - Acteurs : Apprenant(1), Enseignant(2).
        Rôles: (1)Manipuler Ex1 et Résoudre l'exercice2,
        (2)Evaluateur
      - Livrable : Fichier . ipynb qui contient tout le code avec exécution sur le notebook jupyter.
      - Outil de travail recommandé : Jupyter Notebook, Scikit Learn (sklearn)
    - - Type de l'activité : Activité individuelle
      - Objectif : Utiliser le classificateur Support Vector Machine pour résoudre des problèmes de classification.
      - Durée : 25 min
      - Ressources :
        :checkered_flag: Objectif de l'exercice 1 : Classification de Muffins et Cupcakes avec SVM
        
        Support1 : Texte de l'Exercice 1
        
        Support2 : Dataset : data_recipte.csv
        
        :checkered_flag: Objectif de l'exercice 2 : Prédiction d’une nouvelle entrée
        
        La nouvelle data
      - Acteurs : Apprenant(1), Enseignant(2). Rôles: (1)Résoudre les exercices, (2)Evaluateur
      - Outil de travail recommandé : Jupyter Notebook, Scikit Learn (sklearn)
      - Livrable : Fichier . ipynb qui contient tout le code avec exécution sur le notebook jupyter.
  - - - Objectif : Restituer le ML dans la data science
      - Durée : 15 min
      - Ressource : QUIZZ 1
      - Acteurs : Apprenant, Enseignant
        :check: Rôle Apprenant : Résoudre le Quizz
        :check: Rôle Enseignant : Evaluateur de l'activité
      - Type de l'activité : Activité individuelle
      - Evaluation : par l'enseignant
      - Livrable : QUIZZ Résolu
    - - Type de l'activité : Activité individuelle
      - Objectif : Identifier les trois parties nécessaires qui définit l'Apprentissage Automatique (Machine Learning)
      - Durée : 10 min
      - Ressource : QUIZZ 2 (sous forme d'un exercice qui contient des items afin d'Identifier la tache T, la mesure de performance P et l'Expérience E parmi ces différents items pour un problème donné)
      - Acteurs : Apprenant, Enseignant
      - Evaluation : par l'enseignant
      - Livrable : QUIZZ Résolu
    - - Type de l'activité : Activité collaborative
      - Durée : 30min
      - Objectifs : Identifier les critères pour différencier les problèmes de Machine Learning, Distinguer les différents problèmes de Machine Learning et les familles d'algorithmes associées (types).
      - Ressource : Quelques exemples de solutions de machine Learning courantes à des problématiques d'entreprises.
      - Acteurs : Apprenants, Enseignant
      - Livrable : Exercices résolus dans un seul fichier pdf (après une idée unifié entre les participants)
      - Outil de communication : Forum de travail en groupe d'activités collaboratives.
- - - - Si Réussite : Note >=60%
        
        Sortie du cours
      - Si Echec
        
        Activités de remédiation : selon la faiblesse de chaque participant cad puisque le QUIZZ est répartie en un ensemble de questions par objectif enseignée donc c'est faisable de voir le point faible de chaque participant et ceci va lui amené automatiquement à des pistes de remédiation qui sont comme suit :
        :star: Activité de remédiation 1 pour Objectif 1 :
        :star: Activité de remédiation 2 pour Objectif 2
        :star: Activité de remédiation 3 pour Objectif 3
        :star: Activité de remédiation 4 pour Objectif 4
- - - - Titre : Initiation au Machine Learning
      - Public cible : 3ème année Génie Informatique
      - Pré-requis : langage Python pour le calcul numérique, quelques notions d'algèbre linéaire (telles que manipulation de vecteurs, multiplication de matrices), quelques notions de probabilités et statistiques (telles que distribution de loi de probabilité et variance).
      - Contact : Name@ieee.org
    - - A la fin de ce cours, les participants seront en mesure de (d') :
        :star: Définir l'apprentissage automatique (Machine Learning), son champ d’application et ses limites;
        :star: Identifier les problèmes qui peuvent être résolus par Machine Learning;
        :star: Identifier les différents types de modélisation statistique; (classification, régression, apprentissage supervisé, apprentissage non-supervisé);
        :star: Identifier et appliquer les algorithmes d’apprentissage supervisé les plus appropriés pour résoudre un problème donné.
    - - Quiz : Identifier les possibilités du Machine Learning, ses limites, champs d'application
        Quiz : Identifier les techniques et outils du Machine Learning (types de modélisation et algorithmes d'apprentissage)
        
        Si échec, accès au cours
        
        Si réussite, orientation vers un autre cours
    - - Un exercice sur le calcul numérique, manipulation de vecteurs et multiplication de matrices avec le langage python.
        Un exercice sur le calcul de la probabilité et de la variance utilisant le langage python.
        
        Si échec, module de rattrappage
        
        Si réussite, accès au cours