Cours de Machine Learning, Deep Learning. J'offre également un soutien pour la rédaction de mémoires.

Bonjour,

Je suis un professeur de machine learning avec 5 ans d'expérience et je suis capable d'enseigner à tous les niveaux. Je suis spécialisé en utilisant Python et R pour enseigner les différents algorithmes de machine learning, y compris les réseaux de neurones, les arbres de décision et les algorithmes de clustering.

Je suis passionné par l'apprentissage automatique et j'aime partager mon savoir avec mes étudiants. Si vous êtes intéressé par mes services en tant que professeur de machine learning pour tous les niveaux, n'hésitez pas à me contacter.

Je suis en mesure de vous enseigner les sujets suivants :

1.Python ou R
2.Exploration des données
3.Machine learning
3.1. Intro ML
3.2. Linear Model
-> Linear Models for Regression and Classification
3.3. Kernel
-> Kernelization
3.4. Model selection
3.5. Ensemble model,
-> Bagging / RandomForest, Boosting (XGBoost,LightGBM,...) , Stacking
3.6. Data préprocessing
-> Data preprocessing
-> Pipelines: choose the right preprocessing steps and models in your pipeline
-> Cross-validation
3.7. Neural Networks
-> Neural architectures
-> Training neural nets: Forward pass: Tensor operations and Backward pass: Backpropagation
-> Neural network design: Activation functions, weight initialization and Optimizers
-> Neural networks in practice: Model selection, Early stopping, Memorization capacity and information bottleneck, L1/L2 regularization, Dropout, Batch normalization
3.8. Convolutional Neural Networks
-> Image convolution
-> Convolutional neural networks
->Data augmentation
-> Model interpretation
-> Using pre-trained networks (transfer learning)
3.9. Neural Networks for text
-> Bag of words representations, Word embeddings, Word2Vec, FastText, GloVe

En plus de mon enseignement en matière de machine learning, je peux également aider mes étudiants à se préparer pour les entretiens d'embauche pour des postes de data scientist.

Programme

1.Python ou R
2.Exploration des données
3.Machine learning
3.1. Intro ML
3.2. Linear Model
-> Linear Models for Regression and Classification
3.3. Kernel
-> Kernelization
3.4. Model selection
3.5. Ensemble model,
-> Bagging / RandomForest, Boosting (XGBoost,LightGBM,...) , Stacking
3.6. Data préprocessing
-> Data preprocessing
-> Pipelines: choose the right preprocessing steps and models in your pipeline
-> Cross-validation
3.7. Neural Networks
-> Neural architectures
-> Training neural nets: Forward pass: Tensor operations and Backward pass: Backpropagation
-> Neural network design: Activation functions, weight initialization and Optimizers
-> Neural networks in practice: Model selection, Early stopping, Memorization capacity and information bottleneck, L1/L2 regularization, Dropout, Batch normalization
3.8. Convolutional Neural Networks
-> Image convolution
-> Convolutional neural networks
->Data augmentation
-> Model interpretation
-> Using pre-trained networks (transfer learning)
3.9. Neural Networks for text
-> Bag of words representations, Word embeddings, Word2Vec, FastText, GloVe