MACHINE LEARNING POUR LA SPECTROSCOPIE
Sciences analytiques
Objectifs
Cette session de formation avancée s’adresse aux personnes souhaitant :
• Découvrir les méthodes avancées de Machine Learning
• Aller plus loin dans l’analyse de données spectroscopiques
• Comparer les différentes méthodes avancées de traitement de données
Contenu pédagogique
Au cours de la formation, les principes des méthodes sont introduits par une approche non mathématique. L’accent est mis sur l’utilisation pratique des méthodes et l’interprétation des résultats.
Les exercices d’application sont proposés sur un jeu de données spectroscopiques pour chaque méthode. La formation est donnée sur l’un des logiciels d’analyse de données et Machine Learning PLS_Toolbox® ou SOLO® (Eigenvector Research Inc).
- Rappel des méthodes de régression linéaire
- Quelques méthodes de gestion de faibles non-linéarités
- Régression locale (LWR – Locally Weighted Regression)
- Support Vector Machines (SVM)
- Réseaux de neurones artificiels (ANNDL)
- Arbres de régression : Boosted Regression Trees (XGB)
- Visualisation et compression avec UMAP et t-SNE
- Application sur jeu de données et logiciel
- Questions-réponses sur points non maîtrisés