Ce que vous apprendrez ?

  • Choisir la méthode de réduction de dimensionnalité la plus appropriée en fonction des caractéristiques d'un jeu de données donné.
  • Interpréter les résultats de la réduction de dimensionnalité obtenus avec PCA et t-SNE.
  • Implémenter PCA et t-SNE à l'aide d'un langage de programmation (préciser le langage).
  • Comparer et contraster les performances de PCA et t-SNE sur différents jeux de données.
  • Expliquer les principes mathématiques de l'Analyse en Composantes Principales (PCA).

Prérequis

  • Notions fondamentales en algèbre linéaire et statistiques (moyenne, variance, covariance, matrices, etc.) Bases en programmation Python et manipulation de données (Pandas, NumPy, Scikit-learn) Compréhension des concepts de Data Mining et d’apprentissage automatique (Machine Learning) Familiarité avec les méthodes de classification et clustering en Machine Learning Notions en visualisation et interprétation des données (Matplotlib, Seaborn, Power BI, Tableau, etc.)

Contenu de la Formation

Total: 20 Chapitres Total hours: 6-12
  • Définition et enjeux de la réduction de dimension
  • Pourquoi réduire la dimensionnalité ?
  • Aperçu des méthodes principales (PCA, t-SNE, etc.)
  • Applications en Data Mining
  • Principes mathématiques de la PCA
  • Calcul des valeurs et vecteurs propres
  • Matrice de covariance et décomposition spectrale
  • Sélection du nombre de composantes principales
  • Interprétation des composantes principales
  • Visualisation des données en dimension réduite
  • Applications pratiques de la PCA
  • Limitations de la PCA
  • Principes de t-SNE : voisinage stochastique
  • Fonction de similarité et perplexité
  • Optimisation de la fonction de coût
  • Avantages et inconvénients de t-SNE
  • Comparaison des performances de PCA et t-SNE
  • Choix de la méthode appropriée en fonction du contexte
  • Applications avancées : détection d'anomalies, clustering
  • Outils et librairies pour la réduction de dimension

À TÉLÉCHARGER

À propos de l'instructeur

Avatar image
IDRISSI

nouhaila.idrissi@openskillroom.com

Nouhaila IDRISSI est Maître de conférences en Informatique et en Intelligence Artificielle. Après avoir terminé ses études à l’ENSIAS, elle a obtenu un doctorat en informatique et en apprentissage profond de l’École Mohammadia d'ingénieurs (EMI). Notre formatrice dispose de compétences pluridisciplinaires et complémentaires en IA, Big Data, Machine Learning, Deep Learning, NLP, Data Warehousing, BI et Cloud computing. Parallèlement à ses activités académiques, Dr IDRISSI est une collaboratrice active dans le milieu industriel, contribuant à combler le fossé entre la recherche académique et les applications du monde réel.

Retour des Apprenants

Avis

Pour ajouter un avis sur le cours, vous devez d'abord vous connecter. Connectez-vous ici

Caractéristiques du cours

  • Durée 6-12 hour
  • Language Français
  • Niveau de compétence.
  • CertificateNon
  • Nombre maximum d'inscrits
  • Type de formation

Devenir enseignant, Partagez vos connaissances

Rejoignez OpenskillRoom, la plateforme de formations synchrones qui valorise votre expertise.