Analyse de Données et Machine Learning

•  Acquisition des principaux outils de machine learning

•  Comprendre les forces des différentes méthodes et des risques associés

• Dataminers
• Chargés d'études statistiques
• Consultants en informatique décisionnelle

1. Introduction

• Pourquoi la Data Science et le Machine Learning aujourd'hui ?
• Historique : des débuts de l'intelligence artificielle au Deep Learning
• Le métier de Data Scientist : tâches et outils

2. Statistiques descriptives et représentation synthétique des données

• Maitriser les fonctions statistiques de base, Étude de la distribution d'une série de données,
• Estimation de paramètres par les intervalles de confiance, Evaluation de la liaison entre deux variables qualitatives et/ou quantitatives,

3. Les Algorithmes de Machine Learning : théorie et pratique sous R

• Apprentissage supervisé : prédiction et classification (régression linéaire, régression logistique, Support Vector Machine, KNN, Arbres de décision et Random Forests)
• Apprentissage non supervisé : clusterisation et réduction de dimensionnalité (KMeans, Hierarchical Clustering, SVM et PCA, Manifold Learning)
• Deep Learning et réseaux de neurones, Reinforcement learning, Analyse textuelle et Hidden Markov Models,

4. Le choix du meilleur algorithme

• Le risque du sur-apprentissage et comment le contourner, Définir un plan de test,
• Recherche d'hyper-paramètres

5. Les contraintes et les limites du Machine Learning

6. Un premier projet de Machine Learning

• Mise en pratique avec un premier projet sous Kaggle

•  Discussion autour d'exemples pratiques.

•  Alternance d'exposés, de discussions avec le formateur et entre participants.

•  Nombreux cas pratiques directement applicables après la formation.

•  Remise des supports pédagogiques

•  Vidéo projection du support PowerPoint.

• Evaluation de début et fin de formation.
• Evaluation de la satisfaction en fin de formation.