Machine Learning et Data Science : Principes et Usages

Objectifs

  • donner des bases théoriques et pratiques précises pour la compréhension des modèles de Machine Learning et de leur implémentation dans le but de la création de valeur dans les activités métier des entreprises
  • disposer d’une bonne vision du Machine Learning
  • implémenter des modèles de Machine Learning en Python
  • effectuer des analyses prédictives
  • gérer et tirer des opportunités métier à partir des données grâce au Machine Learning
  • Formation nouvellement créée ou entièrement remaniée
  • Stage / Presentiel
  • 1 440 € (HT)
  • 2 Jours (14 Heures)
  • Repas Offert
  • Code: ITM116

Programme Détaillé

décideur, manager, ingénieur, analyste, concepteur et aussi toute personne intéressée par les modèles et les opportunités métier du Machine Learning et la transformation numérique 4.0 des entreprises
Le domaine de l’intelligence artificielle
La place du machine learning en intelligence artificielle
Les fondements du machine learning
De l’apprentissage naturel à l’apprentissage artificiel
Les approches théoriques
La démarche méthodologique de l’apprentissage
. Les données et les hypothèses
. Les protocoles, les évaluations et les comparaisons
Les types d’apprentissage et les cas d’usage
Les algorithmes : pour faire quoi?
Les algorithmes supervisés et non supervisés
Les algorithmes de régression et de classification
Les algorithmes à partir de connaissances (induction)
Les algorithmes par renforcement
Exemples d’implémentation
Installation de Python
Préparation des données
. Présentation
. Configuration des outils
. Importation et gestion des données
Apprentissage supervisé
Régression
. Présentation
. Rappels mathématiques
Régression linéaire simple : présentation et mise en œuvre Python
. Description
. Définition des hypothèses
. Minimisation de la fonction de coût
Régression linéaire multiple : présentation et mise en œuvre Python
. Description
. Normalisation
. Résolution
Régression polynomiale : présentation et mise en œuvre Python
. Description et principes
. Sur-apprentissage et sous-apprentissage
. Compromis biais-variance
. Résolution
Les autres modèles : Support Vector Regression (SVR), Decision Tree Regression, Random Forest Regression — Classification
. Présentation
Régression logistique : présentation et mise en œuvre Python
. Description
. Derrière la linéarité
. Classification multiclasses
. Régularisation
SVM (Support Machine Vector) : présentation et mise en œuvre Python
. La dimension VC
. SVM en détail
Les autres modèles : K-Nearest Neighbors (K-NN), Naive Bayes, Decision Tree Classification, Random Forest Classification
Apprentissage non supervisé (Clustering)
Présentation
K-Means : présentation et mise en œuvre Python
Hierarchical Clustering : présentation
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 et connaissance de la programmation
Consultant-formateur docteur en Intelligence Artificielle, enseignant-chercheur
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.
Le « Machine Learning », appelé aussi « Apprentissage Automatique », « Apprentissage Artificiel » ou encore « Data Science », est un domaine de recherche aujourd’hui en plein essor. L’apprentissage automatique est la science permettant aux ordinateurs d’accomplir des tâches dont le traitement n’a pas été explicitement programmé. L’engouement récent pour cette discipline tient en grande partie à une observation qui a surpris les spécialistes en intelligence artificielle eux-mêmes : « L’utilisation conjointe de quantités massives d’informations et d’algorithmes d’apprentissage relativement simples rend possible la solution de problèmes considérés il y a peu comme inaccessibles. ». En d’autres termes, on constate « un remplacement des algorithmes par des données ».
Depuis quelques années, l’apprentissage automatique a donné naissance aux véhicules sans conducteurs, à la reconnaissance vocale, la traduction automatique, l’analyse prédictive en marketing, la détection de fraude dans les transactions bancaires ou encore l’estimation du risque de non-remboursement d’un prêt en fonction du passé financier d’un demandeur de crédit. Tous les domaines d’activité semblent touchés par les évolutions de l’apprentissage automatique en intelligence artificielle à tel point que l’on s’en sert tous les jours sans le savoir