• 12 heures
  • Moyenne

Ce cours est visible gratuitement en ligne.

course.header.alt.is_video

course.header.alt.is_certifying

J'ai tout compris !

Mis à jour le 13/11/2019

Mettez en pratique les concepts de la partie 3

Connectez-vous ou inscrivez-vous gratuitement pour bénéficier de toutes les fonctionnalités de ce cours !

Que faut-il retenir de cette partie du cours ?

Cette partie du cours  a insisté sur la stratégie à mettre en place afin d'optimiser le choix d'une méthode ou d'un algorithme d'apprentissage. Des points fondamentaux sont à retenir :

Cette démarche est appliquée sur deux jeux de données et déroulée dans les tutoriels à exécuter. Le deuxième exemple montre les très bons résultats de reconnaissance de l'activité à partir des données transformées issues des signaux d'un smartphone.

L'enjeu de la partie suivante est d'arriver à des résultats similaires mais à partir des signaux bruts, sans tous les calculs préliminaires coûteux pour la batterie d'un objet connecté.

Tutoriels

Deux tutoriels sont proposés pour illustrer et compléter le cours :

  • ML4IoT-Tutorial-Ozone: les sections 4.1 et 4.2 des tutoriels illustrent la modélisation par régression et régression logistique ;

  • ML4IoT-Tutorial-HAR  : la deuxième partie du tutoriel estime une batterie de 6 régressions logistiques pour atteindre l'objectif de reconnaissance de l'activité. D'autres algorithmes d'apprentissage sont également mis en œuvre à titre de comparaison.

Références

Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. J. Royal. Statist. Soc B., Vol. 58, No. 1, pages 267-288).
Wikistat (2018). Sélection de modèle, en ligne, page disponible le 17/05/2018.
Wikistat (2018). Régression logistique, en ligne, page disponible le 17/05/2018.
Wikistat (2018). Erreur de prévision et risque, en ligne, page disponible le 17/05/2018.

Exemple de certificat de réussite
Exemple de certificat de réussite