Machine learning avec tidymodels pour R

Présentation des fonctionnalités du package "tidymodels" pour R dans le cadre de la classification supervisée. Le principe des meta-packages, la normalisation des étapes d'analyse et d'appel des fonctions de préparation, de modélisation et d'évaluation ; le mécanisme des workflow pour empiler des opérations de préparation de données et création de modèles ; la galaxie tidymodels et les packages associés ; la possibilité d'exploiter différents moteurs de calcul fournis dans différents framework et librairies. Dans notre exemple précisément, utilisation du package "brulee" qui instancie des algorithmes de la fameuse librairie de deep learning "torch". Mesure des performances prédictives (accuracy, rappel, précision, f-measure) dans des schémas holdout et en validation croisée. Focus sur la synthèse des résultats en validation croisée. Page de cours : https://cours-machine-learning.blogsp... 00:00 Les meta-packages pour R : caret, tidymodels 08:06 Schéma holdout (train/test) pour le classement 11:18 Le dataset "Breast Cancer Wisconsin" 12:15 Démarrage du notebook - Chargement des packages 13:48 Chargement et inspection des données 14:48 Partition en échantillons d'apprentissage et de test 16:41 "Moteurs" pour la régression logistique + paramètres 18:40 Le package "brulee" basé sur "torch" 20:35 Instanciation de l'algorithme d'apprentissage 21:57 Définition d'un workflow (pipeline) 25:15 Entraînement du modèle sur le train set 26:23 Accès aux propriétés du modèle (loss, coefficients estimés) 29:44 Prédiction en test et évaluation des performances 33:32 Validation croisée (attention au calcul des indicateurs)