Machine Learning

Rappels de Mathématiques (partie I)

Algèbre

Important: Les diaporamas servent à introduire les cours, décrire le workflow et définir certains éléments que nous allons utiliser. La partie la plus importante de ce module se passe sur les notebooks suivants.

Notebooks du cours:

Exercice 3 (défi): https://colab.research.google.com/drive/1QsywaU6zZf4mdwzQHNPE1cLNgaE4aduq
- Données: https://drive.google.com/file/d/1t1uf2b1n-YOtlINLWAtz_1TKUaxTY505

Rappels de Mathématiques (partie II): Statistiques descriptives

Visualisation de données avec la librairie matplotlib

Notebook : https://colab.research.google.com/drive/1ka4hRxgzKk3p7QHlEWc3Bao1aT8RaLQO
Données 1: https://drive.google.com/file/d/1RoaqWCHDVLbrLoptc0PSGFdXkv_S8c2s
Données 2: https://drive.google.com/file/d/1q0MbqRiMMrALKWY87ZZQ33YI-W2bzzxy

Ressources externes, à profiter sans moderation :

Dive Into Deep Learning: https://d2l.ai/index.html
AWS Machine Learning University: https://aws.amazon.com/fr/machine-learning/mlu/
GitHub du cours AWS MLU (ci-après): https://github.com/aws-samples/aws-machine-learning-university-accelerated-tab
MLU Explain: https://mlu-explain.github.io

aws_university_tab1

aws_university_tab2

aws_university_tab3

TD biblio: Ground settlement prediction

Reference:

[Libin Tang, SeonHong Na] Comparison of machine learning methods for ground settlement prediction with different tunneling datasets, v. 13, Issue 6, Dec 2021, p. 1274-1289, Journal of Rock Mechanics and Geotechnical Engineering.

DOI: https://doi.org/10.1016/j.jrmge.2021.08.006

Science Direct: https://www.sciencedirect.com/science/article/pii/S1674775521001347

A typical section of the surface settlement induced by tunneling

Notebok: https://colab.research.google.com/drive/1IAdR2jN5CAjav201hSkQEtr5eTrgBZlw

Données: https://docs.google.com/spreadsheets/d/1CP13dGgXxGTy76skNDk7xelgZ-xm6Ves

Flowchart of the proposed prediction models

A typical illustration depicting the random forest method

Illustration of the SVM model

Results and comparison

Les données SOCOTEC pour le projet

Lot de données 1: https://drive.google.com/file/d/14lMMGzX1VOIcb0uFY1oIRnkLBcPCQqXD
Lot de données 2: https://drive.google.com/file/d/1WQHrD41mIDeTlZfnJrQiUt-6kecQU5Xt
Notebook: https://colab.research.google.com/drive/1J4ddLsqeKZwuxeuXthYYZz0abFGgJmxF