Ce tutoriel est basé sur des notebook jupyter, il requiert:
- une distribution scientifique de python, la plus répendue étant anaconda lien
- [mac/linux] pour travailler sur les canevas proposés, il suffit ensuite de taper: jupyter-notebook <fichier.ipynb>
- [windows] naviguer dans anaconda pour charger le fichier
- [online] en cas de problème, les liens ci-dessous donne accès aux mêmes TP en ligne via google colab
- il faut un compte gmail et une connexion internet pour en profiter
- [option avancée] 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.
- La prise en main de python et des notebooks est très importante:
- posez vos questions au fur et à mesure,
- ne vous laissez pas étourdir par les notebooks qui avancent tout seuls: cherchez toujours à comprendre ce qui se passe,
- ne pas passer trop de temps sur les premières boites, vous pourrez toujours revenir en arrière
- Numpy et matplotlib sont des librairies à maitriser
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.
Dernière séance consacrée à numpy: nous allons apprendre un régresseur par descente de gradient afin de réviser:
- numpy
- la problématique de la régression
- l'algorithme de la descente de gradient
De nouveau, nous consolidons les bases de numpy/matplotlib... Tout en poursuivant le panorama du ML vers les problèmes de régression et de gradient. Ce dernier point est critique: le gradient est un outil central dans tous les réseaux de neurones et il est important d'avoir une représentation mentale de l'impact des différents réglages possibles.
