Vous êtes ici : Accueil > Big Data > Formation > Data Science > Data Science : concevoir des programmes intelligents

Formation Data Science : concevoir des programmes intelligents


Objectifs

Apprendre à analyser des données non structurées
Découvrir les méthodes de prédiction automatiques et leurs applications métiers (moteur de recommandation, traces numériques, ...)
Améliorer ses méthodes et les rendre efficaces en environnement de production.

Public

Développeurs internet, Analystes Business Intelligence, chargés d'études, ....

Pré-requis

Savoir lire et écrire quelques lignes de code.
Aucun pré-requis n'est demandé sur les langages Python et R.
Tous les éléments nécessaires vous seront donnés au fur et à mesure.

Méthode

Pédagogie active mêlant exposés, exercices et applications pratiques.
Chaque participant pourra mettre en oeuvre les applications dans le logiciel de son choix parmi R ou Python.

Programme

- Comment analyser les données non-structurées
  • Exposé des méthodes de Data Science et des cas d'utilisation
  • Présentation d'exemples complets
    • Analyse de sentiments
    • Découverte et extraction automatique de thèmes et sujets de documents textes

- Méthodes de prédictions automatiques
  • Comment prédire des catégories
  • Comment extraire des tendances
  • Comment regrouper les données en familles naturelles

- Comment booster son chiffre d'affaires avec un moteur de recommandation
  • Les différentes approches
  • Comment choisir entre elles
  • Quelles sont les conséquences
  • Comment construire un moteur de recommandation

- Comment extraire de la valeur des transactions et des traces
  • Comment se servir des tickets de caisse et des logs de parcours web
  • Comment extraire des règles d'association et des paniers probables
  • Quels impacts sur le Business

- Comment améliorer ses méthodes et les rendre efficaces en environnement de production
  • Apprendre à construire de nouveaux prédicteurs (feature engineering)
  • Apprendre à réduire la complexité de la solution (feature selection)
  • Comment ré-utiliser les modèles prédictifs appris