Machine Learning avec Knime

Introduction au Machine Learning

• Structure générale d’un apprentissage
• Apprentissage / Validation / Test
• Grid Search et Cross validation
• Métriques d’évaluation des modèles
• Les types d’apprentissage : supervisé, semi supervisé, non supervisé,
  par renforcement, réapprentissage

Pré-processing

• Normalisation des données
• Réduction de dimensionnalité (PCA)

Jeu sérieux : innover avec ses connaissances

• Régression linéaire
• Régression logistique
• Régression logistique dans le cadre multi classe : 1 vs all, Softmax
• Arbre de décision, forêts aléatoires et apprentissage ensembliste
• Autres algorithmes : classification naïve bayésienne, méthode des k plus proches voisins (K NN), réseaux de neurones, SVM

Apprentissage non supervisé

• K-moyennes (k means ), k-médoïdes
• Clustering Hiérarchique Ascendant (CAH) et Descendant (CAD)
• Carte auto organisatrice (SOM)