Nous utilisons des cookies pour vous fournir l'ensemble de nos services, notamment la recherche et les alertes. En acceptant, vous consentez à notre utilisation de ces cookies.
Choisir mes préférences
.png&w=3840&q=75)
- Machine learning - niveau avancé : découvrez l'état de l'art
.png&w=256&q=75)
Machine learning - niveau avancé : découvrez l'état de l'art
Objectifs
Programme
- Maîtriser les notions fondamentales du Machine Learning, ses principes de fonctionnement et son évolution dans le contexte du Big Data.
- Analyser les enjeux et défis liés à l'implémentation du Machine Learning dans une organisation, y compris les bénéfices potentiels et les possibles cas d'utilisation.
- Identifier la position du Machine Learning dans le processus global de traitement des données et comprendre comment il peut optimiser ce processus.
- Se familiariser avec les principaux outils et acteurs du marché du Machine Learning, pour être capable de faire des choix éclairés lors de la mise en œuvre de projets.
- Examiner en détail les algorithmes clés du Machine Learning et savoir comment choisir l'approche de projet la plus appropriée en fonction des spécificités du cas d'utilisation.
- Discerner les facteurs clés de succès pour les projets impliquant le Machine Learning et être capable de mettre en œuvre des stratégies efficaces pour garantir leur réussite.
1. INTRODUCTION ET HISTORIQUE
- Contexte et évolution du machine learning
- Définitions clés et vocabulaire associé
- Processus complet d'élaboration d'un modèle prédictif
2. PRÉTRAITEMENT DES DONNÉES
- Gestion des données manquantes et aberrantes
- Sélection de variables pertinentes
- Partitionnement des données : données d'apprentissage et données de test
3. APPRENTISSAGE SUPERVISÉ ET NON SUPERVISÉ
- Introduction à la classification et la régression
- Évaluation de l'apprentissage, matrice de confusion et métrique
- Arbres de décision et de régression
- Analyse discriminante prédictive
- Régression logistique
- Classifieur bayesien naïf
4. MÉTHODES ENSEMBLISTES ET BOOSTING
- Bagging, random forest, boosting et leur utilité
- Gradient boosting et paramétrage
- Support Vector Machine (SVM)
5. RÉSEAUX DE NEURONES ET APPRENTISSAGE NON SUPERVISÉ
- Introduction aux réseaux de neurones artificiels pour l'apprentissage supervisé
- Perceptron simple et multi-couches
- Clustering (K moyennes ou k means)
- Classification Ascendante Hiérarchique (CAH)
- Règles d'association
6. DISCRÉTISATION DES VARIABLES QUANTITATIVES ET FILTRAGE DES VARIABLES
- Techniques de classement (ranking)
- Techniques de sélection basées sur la corrélation
- Information mutuelle, entropie de Shannon, rapport de corrélation, lambda de Wilks
7. INDUCTION DE RÈGLES PRÉDICTIVES ET SCORING
- Construction de bases de règles en analyse prédictive
- Conversion des arbres en règles et algorithmes génétiques pour l'induction de règles
- Ciblage marketing et construction de la courbe LIFT (GAIN CHART)
- Analyse RFM (récence – fréquence – montant)
8. INTÉGRATION DES COÛTS DE MAUVAIS CLASSEMENT EN APPRENTISSAGE SUPERVISÉ
- Prise en compte des coûts pour l'évaluation et la construction des modèles prédictifs
- Correction des règles d'affectation, techniques intégrées, bagging, la méthode MetaCost
- Courbe ROCÉvaluation d'un classifieur à l'aide de la courbe ROC
9. MÉTHODES NON-PARAMÉTRIQUES DE DISCRIMINATION ET TIRAGE RÉTROSPECTIF
- Deux méthodes non-paramétriques de classement dérivées du schéma Bayesien
- La méthode des K-plus proches voisins et le modèle d'indépendance conditionnelle
- Échantillonnage non-représentatif et normalisation des scores
10. MÉTHODES DE RÉ-ÉCHANTILLONNAGE POUR L'ÉVALUATION DES PERFORMANCES
- Inadéquation de l'évaluation en re-substitution
- Le schéma apprentissage-test
- Techniques de ré-échantillonnage : validation croisée, leave-one-out, bootstrap
- Comparaison des performances des techniques supervisées
- Diagramme de fiabilité
Public visé
Cette formation s'adresse à trois principaux publics.
En premier lieu, elle vise les ingénieurs et techniciens qui, dans l'exercice de leurs fonctions, ont besoin de méthodes d'apprentissage pour automatiser des tâches, qu'il s'agisse de prédiction, de prise de décision ou d'autres opérations requérant une performance optimale. Que vous soyez spécialiste en génie informatique, en génie industriel ou encore en génie des systèmes embarqués, cette formation vous sera utile.
En second lieu, cette formation est également pertinente pour les chefs de projets. Si vous êtes à la tête d'une équipe et que vous cherchez à identifier les tâches que le machine learning pourrait automatiser, cette formation vous permettra d'acquérir les connaissances nécessaires pour faire les meilleurs choix.
Enfin, cette formation est aussi destinée à toute personne ayant déjà été sensibilisée par le Data Mining et qui serait intéressée par les méthodes d'apprentissage. Que vous soyez analyste de données, spécialiste en intelligence d'affaires ou simplement passionné par le domaine, vous trouverez dans cette formation des informations précieuses pour approfondir vos connaissances.
Prérequis
Avoir une connaissance de base en mathématiques, notamment dans les domaines de l'algèbre linéaire, des probabilités et des statistiques
Posséder des compétences en programmation, idéalement en Python, qui est couramment utilisé dans le domaine du Machine Learning
Être familier avec les concepts de base de l'Intelligence Artificielle (IA) et du Machine Learning
Avoir une compréhension des principes de la science des données
Être muni d'un ordinateur relié à Internet, possédant une caméra, un micro et un haut parleur.
Méthodes pédagogiques
L’approche pédagogique a été construite sur l’interactivité et la personnalisation : Présentation illustrée et animée par le Formateur Expert, partage d’expériences, études de cas, mise en situation réelle.
Tous les supports sont fournis par support papier, mail ou clé USB à chaque stagiaire.
Méthodologie pédagogique employée :
Chaque formation en présentiel ou en distanciel est animée par un Formateur Expert Métier sélectionné selon ses compétences et expériences professionnelles. Apport d’expertise du Formateur, quiz en début et fin de formation, cas pratiques, échanges d’expérience. Accès en ligne au support de formation.
Modalités d'évaluation
Méthodes utilisées et évaluation :
Evaluation et positionnement lors de la définition du projet pédagogique avec le(s) stagiaire(s). Un QCM est donné aux stagiaires le dernier jour de la formation pour valider leurs apprentissages. Une correction collective est effectuée par le Formateur. Une évaluation de fin de stage en direct est organisée entre le Formateur et le(s) stagiaire(s) pour recueillir et prendre en compte leurs appréciations. Une attestation de fin de stage est remise aux stagiaires.
Autres formation Machine learning - niveau avancé : découvrez l'état de l'art
Sessions à la demande
Voir les formations de la même catégorieAutres formations disponibles :