Cours de Python et R par un Chercheur en machine learning et actuariat

Bonjour, Je suis un professeur expérimenté en machine learning avec une expertise de 5 ans dans l'enseignement de cette discipline à tous les niveaux. Mon expertise en utilisant Python et R me permet d'enseigner différents algorithmes de machine learning tels que les réseaux de neurones, les arbres de décision et les algorithmes de clustering. Je suis également expérimenté dans l'utilisation de bibliothèques Python et R populaires telles que TensorFlow, Keras, Scikit-learn et ggplot2. En plus de mes compétences en matière de machine learning, je suis capable d'aider les étudiants à lire et à comprendre des articles de recherche pour leurs exposés, ainsi qu'à travailler sur des projets en Python et R. Mon engagement envers l'apprentissage automatique est passionné et j'aime partager mes connaissances avec mes étudiants. Si vous êtes intéressé par mes services de professeur de machine learning pour tous les niveaux, n'hésitez pas à me contacter. En plus de mes compétences en machine learning, je suis également en mesure de vous aider en mathématiques, en statistiques et en rédaction de mémoires. Je suis disponible pour enseigner les sujets suivants: 1.Python ou R 2.Exploration des données 3.Machinea 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