Machine learning 2
Tronc commun
- Année
- 2e année
- Semestre
- Semestre 4
- Unité d’enseignement
- Informatique 5
- Volume horaire
- 20 h
- Crédits
- 1,5
Les fiches sont renseignées à partir des syllabus RESA/ENEAM et peuvent être actualisées par l’équipe pédagogique. Les modalités d’évaluation indiquées ne remplacent pas les consignes du cours.
Objectif du cours
L’évolution des technologies conduit les entreprises publiques et privées et les administrations publiques à la production massive des données. L’analyse des informations pourrait permettre d’améliorer les processus de prise de décision. Les étudiants doivent donc apprendre les techniques permettant d’extraire et de présenter des connaissances ou des informations à partir de ces données immenses et complexes.
Plan du cours
-
Chapitre 0 : Introduction
2 h- Présentation du contenu
- Rappel / prise en main jupyter
- Présentation du projet final
-
Chapitre 1 : Business Intelligence: Création d’un dashboard
4 h- Concept de visualisation
- Types de données, relations et graphiques
- Techniques de visualisation
- Logiciels de visualisation (Tableau, Power BI, Qlik, etc)
-
Chapitre 2 : Web scraping
4 h- Définition du Web scraping
- Différentes étapes pour scrapper un site web
- Librairies utilisées dans le web scraping
- Exemple de Web scraping
-
Chapitre 3 : Initiation à la création d’une API et déploiement dans le cloud
4 h- Définition des concepts
- Création d’une API avec python (flask, fastapi, …)
- Github - contrôle de versions
- Déploiement d’un dashboard / api dans le cloud (heroku, pythonanywhere, streamlit,...)
-
Chapitre 4 : Deep Learning
6 h- Pré-processing des images
- Réseaux de neurones à convolution (CNN)
- Réseaux de neurones récurrents (RNN)
- Data augmentation
- Transfert learning
-
Chapitre 5 : Natural Language Processing (NLP)
6 h- Understanding NLP tasks
- Pré-processing des données textuelles
- Vectorisation (bag of words, n-grams, term-frequency, tfidf, …)
- Topic Modeling (LDA, …)
- Deep Learning pour NLP
- Catégorisation de texte
Évaluation
Test de connaissances théoriques : 20 %; Exercice pratique : 30 %; Projet final : 50 %
Bibliographie
- Deep learning from scratch (Seth Weidman)
- Deep Learning with Python (Francois Chollet)
- Hands-On Machine Learning with Scikit-Learn and TensorFlow (Aurélien Géron)
- Machine Learning Yearning (Andrew Ng)
- Neural Networks and Deep Learning: A Textbook (Charu C. Aggarwal)
- Neural Networks for Pattern Recognition (Christopher M. Bishop)
- Natural Language Processing with Python (Steven Bird, Ewan Klein & Edward Loper)
- Foundations of Statistical Natural Language Processing (Christopher Manning & Hinrich Schütze)
- Speech and Language Processing (Daniel Jurafsky & James Martin)
- Statistical Machine Translation (Philipp Koehn)
- Statistical Methods for Speech Recognition (Frederick Jelinek)
- Neural Network Methods for Natural Language Processing (Yoav Goldberg)
- Taming Text (Grant Ingersoll, Thomas Morton & Drew Farris)
- Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning (Delip Rao & Brian McMahan)
- Deep Learning in Natural Language Processing (Li Deng & Yang Liu)
- https://www.deeplearningbook.org/
- https://github.com/mbadry1/DeepLearning.ai-Summary