Machine learning - niveau avancé : maîtrisez l'état de l'art en intelligence artificielle

• Décrypter les bases du Machine Learning, ses principaux concepts et son évolution en lien avec le Big Data
• Analyser et mettre en perspective les différentes étapes de la chaîne de traitement de la donnée grâce à l'apprentissage automatique
• Évaluer et identifier les compétences requises pour la mise en place d'un projet Machine Learning, afin d'optimiser le recrutement ou la formation des profils adéquats
• Élaborer une stratégie efficace pour la réussite d'un projet Machine Learning, en prenant en compte les facteurs clés de succès
• Comprendre et évaluer les enjeux potentiels de l'implémentation du Machine Learning, en mettant en avant les bénéfices attendus et en illustrant par des exemples concrets d'usage.

1. HISTOIRE DU MACHINE LEARNING ET CONTEXTE DU BIG DATA

• Comprendre les concepts d'Intelligence Artificielle et d'apprentissage automatique (machine learning)
• Le lien entre le Machine Learning, les mathématiques, les statistiques (inférentielles), le data mining et la data science
• Évolution de l'analyse descriptive à l'analyse prédictive puis prescriptive
• Exemples d'applications du Machine Learning (moteurs de recherche, détection des spams, lecture des chèques)
• Présentation de la typologie des algorithmes de Dominique CARDON
• Introduction à la communauté Data Science et aux challenges Kaggle

2. LES DONNÉES À DISPOSITION : COLLECTE ET PRÉPARATION

• Comprendre les données structurées, semi-structurées et non structurées
• Nature statistique des données (qualitatives ou quantitatives)
• Les objets connectés (IoT) et le streaming de données
• Opportunités et limites de l'Open Data
• Identification des corrélations, problème de la multicolinéarité
• Réduction des dimensions par Analyse des Composantes Principales
• Détection et correction des valeurs aberrantes
• Introduction aux ETL (Extract Transform Load)
• Introduction au Web scraping

3. LES OUTILS DU MARCHÉ POUR LE TRAITEMENT DE LA DONNÉE ET LE MACHINE LEARNING

• Présentation des logiciels traditionnels (SAS, SPSS, Stata) et leur ouverture à l'Open Source
• Comparaison entre Python et R, les deux leaders Open Source
• Plateformes Cloud (Azure, AWS, Google Cloud Platform) et solutions SaaS (IBM Watson, Dataïku)
• Nouveaux postes en entreprises : data engineer, data scientist, data analyst, etc.
• Les API en ligne (IBM Watson, Microsoft Cortana Intelligence...)
• Introduction aux chatbots (agents conversationnels)

4. LES DIFFÉRENTS TYPES D'APPRENTISSAGE EN MACHINE LEARNING

• Apprentissage supervisé : répéter un exemple
• Apprentissage non supervisé : découvrir les données
• Online (Machine) Learning par opposition aux techniques batch
• Reinforcement learning : optimisation d'une récompense
• Autres types d'apprentissage (par transfert, séquentiel, actif...)
• Illustrations (moteurs de recommandation...)

5. LES ALGORITHMES DU MACHINE LEARNING

• Comprendre la régression linéaire simple et multiple et leurs limites
• Régression polynomiale (LASSO) et les séries temporelles
• Régression logistique et applications en scoring
• Classification hiérarchique et non hiérarchique (KMeans)
• Classification par arbres de décision et approche Naïve Bayes
• Ramdom Forest (développement des arbres de décision)
• Gradiant Boosting, Réseaux de neurones et Machine à support de vecteurs
• Deep Learning : exemples et raisons du succès actuel
• Text Mining : analyse des corpus de données textuelles

6. PROCÉDURE D'ENTRAÎNEMENT ET D'ÉVALUATION DES ALGORITHMES

• Séparation du jeu de données : entraînement, test et validation
• Techniques de bootstrap (bagging)
• Exemple de la validation croisée
• Définition d'une métrique de performance
• Descente de gradient stochastique (minimisation de la métrique)
• Courbes ROC et de lift pour évaluer et comparer les algorithmes
• Matrice de confusion : faux positifs et faux négatifs

7. MISE EN PRODUCTION D'UN ALGORITHME DE MACHINE LEARNING

• Description d'une plateforme Big Data
• Principe de fonctionnement des API
• Du développement à la mise en production
• Stratégie de maintenance corrective et évolutive
• Évaluation du coût de fonctionnement en production

8. ASPECTS ÉTHIQUES ET JURIDIQUES LIÉS À L'INTELLIGENCE ARTIFICIELLE

• Missions de la CNIL et évolutions à venir
• Droit d'accès aux données personnelles
• Propriété intellectuelle des algorithmes
• Nouveaux rôles dans l'entreprise : Chief Data Officer et Data Protection Officer
• Impartialité des algorithmes
• Attention au biais de confirmation
• Les secteurs et les métiers touchés par l'automatisation