1. Tutoriel sur python et numpy

Ce tutoriel est basé sur des notebook jupyter, il requiert:

• une distribution scientifique de python, la plus répendue étant anaconda lien
• pour travailler sur les canevas proposés, il suffit ensuite de taper: jupyter-notebook <fichier.ipynb>
• éventuellement un éditeur avancé capable de gérer les notebooks: VS Code lien VS Code est très bien fait: à l'ouverture des fichiers, en fonction des extensions, il propose de télécharger des plugins pour gérer les spécificités desdits fichiers.

1. La prise en main de python et des notebooks est très importante:
2. posez vos questions au fur et à mesure,
3. ne vous laissez pas étourdir par les notebooks qui avancent tout seuls: cherchez toujours à comprendre ce qui se passe
4. Numpy et matplotlib sont des librairies à maitriser

2. Classification bayesienne

Il s'agit à la fois d'une introduction au machine learning et aux bonnes pratiques et d'exercices avancés sur numpy/matplotlib. On consolide la pratique du python scientifique à travers la construction et l'évaluation de modèles de machine learning.

3. Descente de gradient et régression

Dernière séance consacrée à numpy: nous allons apprendre un régresseur par descente de gradient afin de réviser:

1. numpy
2. la problématique de la régression
3. l'algorithme de la descente de gradient