cours_ia_cyber_laval

Pre-requis

• Compte github
• Maîtrise basique de git
• Maîtrise basique de python

Etapes

1. [indiv] Exploration d'un dataset et d'un modèle, grâce au répertoire https://github.com/MarieSacksick/cours_ia_cyber_laval_exploration
2. [indiv] Exploration du stockage et des méthodes de partage d'un modèle de machine learning, grâce au répertoire https://github.com/MarieSacksick/midwest_survey_models
3. [trinome] Debrief et présentation : par trinôme, présenter un des sujets au choix, pendant 5 minutes, sur les apprentissages fait pendant ce TP :
   c. Quelles sont les différentes solutions de sérialisation ? A la fois en machine learning, mais également en deep learning ? (aller voir picklescan, skops, safetensor, pickle et joblib)
   y. Expliquer la différence entre Random Forest, Régression Logistique et Gradient Boosting. Comment fonctionnent chacun de ces modèles ? Quelles sont les librairies qui implémentent ces algorithmes ?
   b. Quelles sont les différentes façons d'évaluer un modèle de classification binaire ? d'un point de vue technique, mais également d'un point de vue de la stabilité du modèle ? (présenter notamment la cross-validation)
   e. Présentation de seaborn, ou une autre librairie de visualisation python (ex: matplotlib, ou plotly).
   r. Quelles sont les différentes commandes de base de git, et quelles sont les utilités de cet outil ? Quels sont les principales plateformes qui mettent des solutions de partage de code à partir de git ? Pourquoi faut-il éviter d'envoyer des notebooks jupyter par git ?
   Bonus. Autre sujet au choix, que vous avez appris pendant ce TP et souhaitez partager.