Ce projet fournit une explication détaillée et des exemples pratiques des principaux algorithmes de Machine Learning, organisés par catégories.
- Régression Linéaire
- Régression Logistique
- Ridge Regression
- Lasso Regression
- Elastic Net
- Arbres de Décision
- Random Forest
- Gradient Boosting
- XGBoost
- LightGBM
- Perceptron Multicouche (MLP)
- Réseaux de Neurones Convolutifs (CNN)
- Réseaux de Neurones Récurrents (RNN)
- LSTM
- GRU
- SVM pour la Classification
- SVM pour la Régression
- Kernel SVM
- K-Means
- DBSCAN
- Clustering Hiérarchique
- Mean Shift
- Spectral Clustering
- PCA (Analyse en Composantes Principales)
- t-SNE
- UMAP
- Factor Analysis
- ICA (Analyse en Composantes Indépendantes)
- Apriori
- FP-Growth
- Eclat
Chaque modèle est organisé dans son propre dossier avec la structure suivante :
README.md: Vue d'ensemble du modèletheorie.md: Explication théorique détailléeexemple_pratique.py: Exemple d'implémentationtemplate.py: Template réutilisablerequirements.txt: Dépendances nécessaires
- Créez un environnement virtuel Python :
python -m venv venv
source venv/bin/activate # Sur Unix/MacOS
venv\Scripts\activate # Sur Windows- Installez les dépendances globales :
pip install -r requirements.txt- Pour chaque modèle spécifique, installez ses dépendances :
cd <nom_du_modele>
pip install -r requirements.txt- Commencez par explorer le modèle qui vous intéresse dans le dossier correspondant
- Lisez la théorie pour comprendre les concepts
- Étudiez l'exemple pratique
- Utilisez le template pour vos propres projets