Formation Machine Learning Automatisé (AutoML)

Leçon 1 • Types de systèmes AutoML

Distingue les systèmes AutoML à pipeline complet, la recherche d'architectures neuronales et les approches de méta-apprentissage. Aide les étudiants à associer le type de système aux exigences du problème.

Leçon 2 • Qu'est-ce que l'AutoML et pourquoi est-ce important ?

Définit l'AutoML comme l'automatisation des flux de travail de ML de bout en bout et le contraste avec le développement manuel de modèles. Met en avant les bénéfices en termes d'efficacité et de démocratisation.

Leçon 3 • Concepts fondamentaux du Machine Learning

Couvre les paradigmes d'apprentissage supervisé, non supervisé et par renforcement essentiels pour comprendre les cibles de l'AutoML. Établit le vocabulaire utilisé tout au long du cours.

Leçon 4 • Configuration de l'environnement AutoML

Guide l'installation de Python, des bibliothèques clés et d'un framework AutoML local. Les étudiants disposent d'un environnement de développement fonctionnel prêt pour les travaux pratiques.

Leçon 1 • Comprendre les problèmes de qualité des données

Identifie les valeurs manquantes, les valeurs aberrantes, les doublons et les incohérences de schéma comme les principales menaces pour la qualité des données. Établit le lien entre une mauvaise qualité des données et une dégradation des performances de l'AutoML.

Leçon 2 • Division en ensembles d'entraînement, de validation et de test

Explique les stratégies de division holdout, k-fold et stratifiée pour éviter les fuites de données. Les étudiants configurent des divisions qui produisent des évaluations AutoML non biaisées.

Leçon 3 • Gestion des données manquantes et déséquilibrées

Enseigne les stratégies d'imputation et les méthodes de rééchantillonnage pour traiter les lacunes et le déséquilibre des classes. Les étudiants appliquent ces techniques avant d'introduire les données dans les systèmes AutoML.

Leçon 4 • Encodage et mise à l'échelle des caractéristiques

Couvre l'encodage one-hot, l'encodage ordinal et les méthodes de normalisation requises par la plupart des frameworks AutoML. Garantit que les caractéristiques sont numériquement compatibles avec les algorithmes en aval.

Leçon 1 • Évaluation de l'impact du feature engineering

Enseigne le scoring d'importance des caractéristiques et les études d'ablation pour mesurer la valeur du feature engineering. Les étudiants quantifient la contribution des caractéristiques automatisées à la performance finale du modèle.

Leçon 2 • Réduction de dimensionnalité dans l'AutoML

Explique l'ACP, les autoencodeurs et les méthodes de variété comme options de réduction de dimensionnalité automatisée. Les étudiants appliquent la réduction à des ensembles de données haute dimension dans un flux de travail AutoML.

Leçon 3 • Outils automatisés de génération de caractéristiques

Présente des outils qui synthétisent automatiquement de nouvelles caractéristiques à partir de colonnes brutes en utilisant des agrégations et des transformations. Les étudiants exécutent une génération automatisée sur un ensemble de données structuré.

Leçon 4 • Principes du feature engineering

Examine les concepts de feature engineering manuel comme base pour comprendre l'automatisation. Établit pourquoi la qualité des caractéristiques influence davantage la performance du modèle que le choix de l'algorithme.

Leçon 1 • Hyperparamètres vs paramètres du modèle

Clarifie la distinction entre les paramètres appris et les hyperparamètres définis par l'utilisateur. Établit pourquoi le choix des hyperparamètres affecte de manière critique la généralisation du modèle.

Leçon 2 • Recherche par grille et recherche aléatoire

Implémente la recherche exhaustive par grille et la recherche stochastique aléatoire comme méthodes HPO de base. Les étudiants évaluent les deux approches sur une tâche de classification.

Leçon 3 • Optimisation bayésienne pour l'HPO

Explique l'optimisation bayésienne basée sur un modèle de substitution comme stratégie HPO efficace en termes d'échantillons. Les étudiants configurent et exécutent une recherche bayésienne à l'aide d'une bibliothèque AutoML populaire.

Leçon 4 • Méthodes multi-fidélité et d'arrêt précoce

Couvre Hyperband et le halving successif pour allouer efficacement les budgets de calcul. Les étudiants réduisent le temps d'exécution de l'HPO sans sacrifier la qualité finale du modèle.

Leçon 1 • Stratégies automatisées de sélection d'algorithmes

Explique le problème de sélection combinée d'algorithmes et d'optimisation des hyperparamètres (CASH) comme problème de recherche central de l'AutoML. Les étudiants exécutent CASH sur un ensemble de données de référence.

Leçon 2 • Fondamentaux de la sélection d'algorithmes

Passe en revue le paysage des algorithmes — modèles linéaires, arbres, SVM et réseaux de neurones — comme candidats à la sélection automatisée. Établit le lien entre les propriétés des algorithmes et les caractéristiques des ensembles de données.

Leçon 3 • Post-traitement des ensembles AutoML

Montre la sélection automatisée d'ensembles et l'élagage post-hoc pour équilibrer précision et complexité. Les étudiants finalisent un ensemble et le préparent pour le déploiement.

Leçon 4 • Ensembles par bagging et boosting

Couvre la réduction de variance par bagging et la correction séquentielle des erreurs par boosting comme fondements des ensembles. Les étudiants implémentent les deux dans un pipeline AutoML.

Leçon 1 • Stratégies de recherche NAS

Compare les stratégies de recherche NAS par apprentissage par renforcement, évolutionnaire et basée sur le gradient. Les étudiants sélectionnent une stratégie appropriée en fonction du budget de calcul et du type de tâche.

Leçon 2 • NAS efficace avec proxies et modèles de substitution

Introduit les prédicteurs de performance et les proxies basse fidélité pour réduire le coût de calcul de la NAS. Les étudiants appliquent une évaluation par proxy pour accélérer la recherche d'architecture.

Leçon 3 • NAS pour les données tabulaires et les séries temporelles

Étend la NAS au-delà des tâches de vision aux architectures pour données tabulaires et séquentielles. Les étudiants exécutent une expérience NAS sur un ensemble de données non image et analysent les résultats.

Leçon 4 • Évaluation et déploiement des résultats NAS

Couvre les protocoles d'évaluation d'architecture, le réentraînement à partir de zéro et l'exportation des modèles découverts par NAS. Les étudiants produisent un modèle NAS prêt pour le déploiement.

Leçon 1 • Pipelines AutoML multimodaux

Combine les modalités textuelle, image et tabulaire dans un seul pipeline automatisé. Les étudiants conçoivent une stratégie de fusion et évaluent la performance du modèle multimodal.

Leçon 2 • AutoML pour la vision par ordinateur

Applique la NAS et l'automatisation de l'apprentissage par transfert à la classification d'images et à la détection d'objets. Les étudiants exécutent un pipeline AutoML de vision sur un ensemble de données d'images étiquetées.

Leçon 3 • AutoML pour la prévision de séries temporelles

Aborde l'extraction automatisée de caractéristiques, la sélection de modèles et le réglage de l'horizon pour les données de séries temporelles. Les étudiants prévoient une série temporelle réelle à l'aide d'un framework AutoML.

Leçon 4 • AutoML pour le traitement automatique du langage naturel (NLP)

Couvre le prétraitement automatisé du texte, la sélection de plongements et le réglage fin des modèles de langage. Les étudiants construisent un pipeline AutoML NLP pour des tâches de classification et d'analyse de sentiment.

Leçon 1 • Intégration MLOps pour l'AutoML

Intègre les exécutions AutoML dans les pipelines CI/CD, le suivi des expériences et les registres de modèles. Les étudiants automatisent les déclencheurs de réentraînement et la gestion de versions pour les artefacts AutoML.

Leçon 2 • Équité, biais et explicabilité

Aborde l'audit automatisé des biais, les contraintes d'équité et les outils d'explicabilité pour les résultats AutoML. Les étudiants génèrent des rapports d'équité et des explications SHAP pour un modèle déployé.

Leçon 3 • Surveillance des performances des modèles en production

Enseigne la détection de la dérive des données, de la dérive de concept et de la dégradation des performances pour les modèles AutoML déployés. Les étudiants configurent des tableaux de bord de surveillance et des seuils d'alerte.

Leçon 4 • Gouvernance, conformité et documentation

Établit les fiches modèles, les pistes d'audit et les pratiques d'alignement réglementaire pour les systèmes AutoML. Les étudiants produisent une fiche modèle prête pour la gouvernance et une liste de contrôle de déploiement.