L’objectif de ce cour est simple : enseigner en moins d’une journée tous les prérequis pour se lancer sans encombres dans le Machine Learning.

Au menu, trois piliers : Python, Numpy et Mathématiques.

Python spécifiquement pour le ML et le DL

• Les 4 fonctions fantastiques de listes indispensables pour gagner du temps.

• Le List-Slicing en Python n’aura plus de secrets pour vous (explications + moyens Mnémotechniques + exercices).

• Advanced List-Slicing (au menu : Step-Slicing, Reverse Slicing, Negative Step Slicing et Slice Insert + Slice Delete).

• Les List-Comprehension en Python (explications pas à pas pour maîtriser ce concept ultrapratique à vie).

• Multi-Level Indexing (mes raccourcis pour se repérer en plusieurs dimensions).

• Matrix Multiplication avec les listes (vraiment important qu’on l’explique en code Python simple afin de bien ancrer le concept et le fonctionnement)

Numpy (l’engin qui fait tourner Scikit-Learn, Pandas et Matplolib et a inspiré Tensorflow (de Google) et Pytorch (de Facebook)

• Linear Algebra avec Numpy, pourquoi Numpy est plus rapide que Python pur (+ le TP qui vous le prouvera en comparant les performances de vitesse de Numpy et de Python)

• Broadcasting & Element Wise Operations & Conseils pour optimiser la performance (comprenez : pourquoi Numpy est indispensable au ML en Python).

• 50 nuances de Numpy Advanced Slicing (faites ce que vous voulez de vos matrices et tenseurs pour ne plus jamais devoir aller sur Stack Overflow pour réussir à faire ce que vous voulez).

• Les mystères de Tensor numpy.Sum et les arguments Axis & Keepdims enfin expliqués clairement (et le moyen mnémotechnique pour ne jamais oublier quel est l’axe 0 et l’axe 1).

• Numpy Reshape Ninja (domptez la méthode reshape et le fameux -1 qui bloquent tant de débutant·es).

Mathématiques spécifiquement pour démarrer en Maths et DL

• Algèbre Linéaire, Vecteur, Matrice, Tenseur (tous les éléments essentiels du ML et du Deep Learning).

• Normes d’un vecteur L1 et L2 (ultra important pour les modèles de Régressions, linéaires et logistiques et pour les Réseaux de Neurones)

• Distance Euclidienne (savoir la calculer ; important pour les KNN et les Systèmes de Recommandations).

• Produit Scalaire (a.k.a. le dot product, connaître la formule et savoir l’implémenter.

• Différencier Dimension Numpy et Dimension Mathématiques (pour que ce point confus devienne clair comme de l’eau de roche).

• Multiplication Matricielle (tout pour maîtriser l’opération la plus importante du Deep Learning, expliqué algorithmiquement).

• Probabilités & Bayes Rules (comprendre la Bayes Rules et savoir la retrouver de tête ; indispensable pour le ML).

• Comprendre la corrélation (interpréter numériquement et visuellement).

• Fonctions Usuelles (dont exponentielle et logarithme) avec visualisation interactive d’une surface en 3D avec Python.

• Concept de Dérivées (expliqué simplement, juste ce qu’il faut pour pouvoir comprendre le Deep Learning et la descente de Gradient).

• Tout ce qu’il faut savoir de la loi Normale (Gaussienne).

• Les Statistiques Descriptives et comment les comprendre intuitivement (indispensable, car on les utilise à chaque début de projet ML et Data Science en Python).

Le but n’est pas de faire de vous des expert·es en Python, Maths et Numpy. Le but est de vous donner les armes nécessaires pour progresser dans votre carrière en ML sans confusion et sans douter de vous.

Après ce cours, vous pourrez continuer à apprendre les concepts dont vous aurez besoin quand vous les rencontrerez car vous aurez déjà acquis les concepts clefs pour démarrer.

Plus besoin de faire 6 semestres de cours de Mathématiques à l’université, une journée suffit.

Plus besoin de bloquer quand on rencontre un message d’erreur qui parle de shape, de broadcast, de slice ou de dimension.

Plus besoin de passer 2 heures à trouver comment manipuler votre liste pour obtenir le résultat que vous voulez.

ATTENTION, ce cours parle de Machine Learning et de Deep Learning avec Python mais n’est pas un cours de ML ou DL.

Egalement bon à savoir, ce cours n’inclus pas :

• Eigenvalues & Eigenvectors & SVD ;

• De méthodologie Machine Learning ou Deep Learning à proprement parler ;

• Ce n’est pas un cours PYTHON, vous devez connaître les fondamentaux de Python (listes, boucles, if, fonctions, a minima).

Si vous connaissez tout ce que j’ai listé plus haut, ce qui peut être considéré comme les “bases des bases”, alors je tiens à vous dire que vous avez tout ce qu’il faut pour réussir. Ayez confiance en vous !

Si des points aiguisent votre curiosité ou vous sont peu ou pas connus, alors ce cours est fait pour vous !