Newer
Older
# Concepts et utilisation du machine learning pour les informaticiens
Vous trouverez dans cette page tous les liens utiles vers les différentes ressources de cours.
## Sommaire
- [Lundi](#lundi)
- [Mardi](#mardi)
- [Mercredi](#mercredi)
- [Jeudi ASR](#jeudi-asr)
- [Jeudi DEV](#jeudi-dev)
- [Références](#références)
- [git](#git)
- [analyse de données avec Python](#analyse-de-données-avec-python)
- [scikit-learn](#scikit-learn)
- [réseaux de neurones et deep learning](#réseaux-de-neurones-et-deep-learning)
## Lundi
- [Message de bienvenue](../talks/lundi/intro-ecole.pdf) - _Françoise Bouvet_
- [Introduction au machine learning](../talks/lundi/Breve_Histoire_IA_200921-1.pdf) - _Marc Duranton_
- [Exploration et visualisation de données en Python](lundi/01_tabular_data_exploration.ipynb) - _Alexandre Boucaud_
- [Intro scikit-learn](https://inria.github.io/scikit-learn-mooc/slides/?file=ml_concepts.md) - _Loïc Estève_
- [Classification avec variables numériques](mardi/02_basic_preprocessing.ipynb) - _Loïc Estève_
- [Exercice 1](mardi/02_basic_preprocessing_exercise_01.ipynb) - [corrigé]()
- [Classification avec variables numériques](mardi/03_basic_preprocessing_categorical_variables.ipynb) - _Alexandre Boucaud_
- [Exercice 2](mardi/03_basic_preprocessing_categorical_variables_exercise_01.ipynb) - [corrigé]()
- [Exercice 3](mardi/03_basic_preprocessing_categorical_variables_exercise_02.ipynb) - [corrigé]()
- [Apprentissage non-supervisé](mardi/apprentissage_non-supervise.ipynb) - _Alexandre Boucaud_
- [Validation croisée et optimisation d'hyperparamètres](mardi/04_basic_parameters_tuning.ipynb) - _Jérémie du Boisberranger_
- [Exercice 4](mardi/04_basic_parameters_tuning_exercise_01.ipynb) - [corrigé]()
- [Exercice 5](mardi/04_basic_parameters_tuning_exercise_02.ipynb) - [corrigé]()
## Mercredi
- [Réseaux de neurones](../talks/mercredi/mlp.pdf) - _Françoise Bouvet_
- [Réseaux de convolution](../talks/mercredi/conv.pdf) - _Françoise Bouvet_
- [Séries temporelles - LSTM](../talks/mercredi/lstm.pdf) - _Françoise Bouvet_
#### TP au choix
-
## Jeudi ASR
- [Intro](../talks/jeudi-asr/MorningProgram.pdf)
- [Statut des GPUs au CCIN2P3](../talks/jeudi-asr/gpuCC.pdf)
- [TP gestion de GPUs au CCIN2P3](jeudi-asr/gpu-ccin2p3/README.md)
**Après-midi** – _Louise Harding & Sacha Pateyron_
- [Présentation ElasticSearch engine et analyse ML]()
- [Analyse de fichiers de log](jeudi-asr/analyse-logs/README.md)
**Réseaux génératifs** – _François Lanusse_
- [Autoencodeurs][tpvae]
- [GANs][tpgan]
[tpvae]: https://colab.research.google.com/drive/1x-FlIfrVpVEuSR23ma_voxDi8TesPB8C?usp=sharing
[tpgan]: https://colab.research.google.com/drive/1gSfIocvAhuG5vyu7WykC74RkqRYMZ8-J?usp=sharing
## Références
### git
- [Petit guide pour bien démarrer avec Git](https://rogerdudler.github.io/git-guide/index.fr.html) - *par Roger Dudler*
- [Atlassian git tutorials](https://www.atlassian.com/git/tutorials) - tutoriels de tous niveaux avec schémas - *par Atlassian*
- [gitignore.io](https://gitignore.io) - générateur de fichier `.gitignore` pour des langages donnés
### Analyse de données avec Python
- [Scipy lectures](https://scipy-lectures.org) - SITE WEB - *par Gael Varoquaux*
- [Python data science handbook](https://jakevdp.github.io/PythonDataScienceHandbook/) - LIVRE NUMERIQUE - *par Jake VanderPlas*
### scikit-learn
- [scikit-learn MOOC](https://github.com/INRIA/scikit-learn-mooc) - tutoriels `scikit-learn` repris dans les TP de ce cours - *par l'équipe française de développement de `scikit-learn`*
- [Intermediate ML workshops](https://github.com/amueller/ml-workshop-1-of-4) - ensemble de 4 cours de niveau intermédiaire `scikit-learn` - *par Andrea Mueller*
### Réseaux de neurones et deep learning
- [Comprendre les réseaux de neurones (anglais)](https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi) - VIDEOS - *par 3BLUE1BROWN, excellent vulgarisateur sur YouTube*
- [Convolutional Neural Networks for Visual Recognition](https://cs231n.github.io/) - COURS DE STANFORD - *par Andrej Karpathy, un des premiers cours sur le sujet, très pédagogue*
- [Natural Language Processing with Deep Learning](https://web.stanford.edu/class/cs224n/) - COURS de STANFORD sur le traitement du langage
- [Deep Learning Book](https://www.deeplearningbook.org/) - LIVRE NUMERIQUE - *par Ian Goodfellow, Yoshua Bengio et Aaron Courville, des pionniers du domaine*