Accueil > Digital, Innovation, Créativité > IA, Big Data et Cloud > Mise en oeuvre de Solutions Data Science

Mise en oeuvre de Solutions Data Science

Objectifs

  • Élaborer des solutions Data Science
  • Déterminer la préparation et le nettoyage des données
  • Effectuer des analyses prédictives
  • Gérer et tirer des opportunités métier à partir des informations grâce à la visualisation des données et des résultats
  • Formation nouvellement créée ou entièrement remaniée
  • Stage / Presentiel
  • 2 880 € (HT)
  • 4 Jours (28 Heures)
  • Repas Offert
  • Code: IIA10

Programme Détaillé

Décideur, manager, ingénieur, analyste, concepteur, toute personne intéressée par les Data Sciences, la création de modèles de Machine Learning, les phases de préparation et visualisation des données, la transformation numérique 4.0 des entreprises
Domaine des Data Sciences
Introduction
Métiers et domaines d’application
Préparation des données
Outils de Business Intelligence (BI)
SQL pour les Data Sciences
Les différences phases ETL
. lecture, Transformation, Chargement
. les différents types d’erreurs
. analyse et gestion des erreurs
Visualisation des données
Introduction et problématique
Présentation et Mise en oeuvre de Tableau
Présentation du Data Mining et mise en oeuvre avec Tableau
Data Mining avancé et mise en oeuvre avec Tableau
Machine Learning - Apprentissage supervisé
Modèles de régression
. présentation
. régression linéaire simple : présentation et mise en oeuvre
. régression linéaire multiple : présentation et mise en oeuvre
. régression polynomiale : présentation et mise en oeuvre
. les autres modèles : Support Vector Regression (SVR), Decision Tree Regression, Random Forest Regression
Modèles de classification
. présentation
. régression logistique : présentation et mise en oeuvre
. SVM (Support Machine Vector) : présentation et mise en oeuvre
. les autres modèles : K-Nearest Neighbors (K-NN), Naive Bayes, Decision Tree Classification, Random Forest Classification
Machine Learning - Apprentissage non supervisé (Clustering)
Présentation
K-Means : présentation et mise en oeuvre
Hierarchical Clustering : présentation et mise en oeuvre
Évaluation des modèles
La validation croisée
Choix de la métrique de performance (P)
. pour les problèmes de régression
. pour les problèmes de classification
Synthèse et bilan
Mathématique niveau lycée
consultant-formateur en Intelligence Artificielle, enseignant-chercheur en Data Science
Afin d’en faciliter la compréhension et la mise en oeuvre, nous présentons de façon intuitive les principaux modèles des « Data Sciences ». Nous détaillons pour chaque modèle, en nous appuyant sur des cas d’étude du monde réel, les bonnes pratiques à adopter pour élaborer la meilleure solution « Data Science » dans le but de la création de valeur dans les activités métier des entreprises.
Pour situer la différence entre le domaine des Data Sciences et les domaines du "Machine Learning" et du "Deep Learning", le domaine des Data Sciences couvre et encadre les deux autres domaines par deux grandes étapes :
1. La phase de préparation des données
2. La phase de visualisation des données et des résultats

Pour les formations "A distance", elles sont réalisées avec un outil de visioconférence de type Teams ou Zoom selon les cas, permettant au formateur d'adapter sa pédagogie.
Retrouvez sur notre site internet toutes les précisions sur les sessions à distance ou les classes virtuelles.