A l'issue de cette formation, vous serez capable de :

• Identifier les principes fondamentaux du Machine Learning pour une mise en oeuvre adaptée d'un projet d'Intelligence Artificielle
• Décrire les concepts d'apprentissage automatique et l'évolution du Big Data vers le Machine Learning
• Définir les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d'usage
• Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
• Reconnaître les outils et les acteurs leaders du marché
• Décrire les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
• Identifier les clés de réussite d'un projet intégrant du Machine Learning.

Jour 1 - Matin

Introduction

• Expliquer les concepts de Machine Learning
• Définition
• A quoi sert le Machine Learning ?
• La différence entre Intelligence Artificielle et Machine Learning
• Les enjeux de l'utilisation du Machine Learning
• Outils nécessaires pour la pratique du Machine Learning sur vos propres données

Mise en place d'un workflow

• Découvrir Python (NumPy, Pandas, Matplotlib, Seaborn...)
• D'où vient l'importance de la visualisation des données ?
• Comment la machine peut-elle lire différentes données de différents types ?

Jour 1 - Après-midi

Explorer et préparer les données

• Gérer
• Les données manquantes
• Les données dupliquées
• Les variables catégoriques
• Nettoyage des données (supprimer les données inutiles)
• Diviser l'ensemble de données entre l'ensemble d'apprentissage et l'ensemble de test
• Appliquer "Feature scaling"

Jour 2 - Matin

Choisir et appliquer un bon algorithme

• Comprendre la différence entre un contexte supervisé et un contexte non supervisé
• Algorithmes supervisés
• Maîtriser la différence entre la régression et la classification et dans quel contexte chacune est utilisée
• Appliquer des méthodes de régressions (régression linéaire, régression polynomiale...)
• Appliquer des méthodes de classification (KNN, SVM, forêt d'arbres décisionnels...)
• Maîtriser et appliquer les paramètres d'évaluation des performances : MAE, RMSE pour la régression, et matrice de confusion, rapport de classement pour la classification (notion du true positif / true négatif, false positif / false négatif)

Jour 2 - Après-midi

Algorithmes non supervisés

• Clustering (K-means, Mean shift)
• Réduction de dimension (PCA, LDA)

Déployer le modèle Machine Learning

• Conditions de déploiement d'un modèle Machine Learning