Objectifs
Découvrir les principales étapes d'une étude de Machine Learning et un panorama des méthodes associées (Data Mining, Analyse de Données). Apprendre à extraire de l’information utile à partir de données volumineuses, changeantes, non structurées.
Compétences visées
- Comprendre l'intérêt du Machine Learning, branche de l'intelligence artificielle et ses apports pour l'analyse de données
- Appréhender les différentes étapes du Machine Learning, de la collecte des données à l'analyse des résultats en passant par la modélisation
- Évaluer le modèle sur un échantillon de test
- Appréhender les méthodes d'exploration graphique en Machine Learning
- Découvrir et mettre en œuvre les réseaux de neurones
- Découvrir et mettre en œuvre les arbres de décision
- Se familiariser avec les méthodes parcimonieuses en algorithme d'apprentissage statistique
- Connaître les méthodes de ré-échantillonnage pour évaluer la variabilité des paramètres statistiques
- Découvrir et mettre en œuvre les méthodes du Text Mining
- Avoir une vision des principaux logiciels de Machine Learning
- Appréhender les différentes étapes du Machine Learning, de la collecte des données à l'analyse des résultats en passant par la modélisation
- Évaluer le modèle sur un échantillon de test
- Appréhender les méthodes d'exploration graphique en Machine Learning
- Découvrir et mettre en œuvre les réseaux de neurones
- Découvrir et mettre en œuvre les arbres de décision
- Se familiariser avec les méthodes parcimonieuses en algorithme d'apprentissage statistique
- Connaître les méthodes de ré-échantillonnage pour évaluer la variabilité des paramètres statistiques
- Découvrir et mettre en œuvre les méthodes du Text Mining
- Avoir une vision des principaux logiciels de Machine Learning
Public
Décideurs, statisticiens, data scientists, chargés d’études en charge de l’exploitation des données de l’entreprise (marketing, gestion de la relation client, scoring, churn, ...)
Pré-requis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Statistique descriptive (exploratoire) : savoir décrire des observations ou d'avoir atteint par la pratique un niveau équivalent
Méthode pédagogique
Mise en situation des participants devant des problèmes concrets issus de différents secteurs d'activité et appelant les méthodes d’analyses présentées. On évite de s’appesantir sur les aspects techniques pour privilégier l’analyse critique, le domaine d’application et les conditions d’utilisation des méthodes.
Programme
- Définitions du Machine Learning
- Le contexte du Machine Learning : volume des données, nature des problèmes, mélange des disciplines
- Définitions du Machine Learning et de l'Analyse de Données
- L’histoire récente
- Le processus Machine Learning
- Les étapes du "Knowledge Discovery in Databases" (KDD)
- Extraction, prétraitements et nettoyage
- Analyses exploratoires
- Visualisations
- Modélisation
- Analyse des résultats
- Intégration
- Échantillon d’apprentissage, de test et de validation
- Méthodes d’exploration graphique
- Les analyses factorielles : composantes principales, correspondances simples et multiples
- Les algorithmes de classification : arbres et centres mobiles
- Les graphiques de Bertin
- Les réseaux de neurones
- Principes des réseaux de neurones (perceptron)
- Techniques de calculs
- Applications à la résolution de nombreux problèmes dont la discrimination et la régression
- Forces et faiblesses de l’approche
- Les arbres de décision
- Principe des arbres
- Les principaux algorithmes
- Validation et élagage d’un arbre
- Quelques exemples d’applications
- Les méthodes parcimonieuses
- Régression pas à pas
- Régression LASSO
- Régression RIDGE
- Elastic Net
- Les méthodes de ré-échantillonnage
- Bagging
- Boosting
- Random Forest
- Le Text mining
- Principe et méthodes du Text mining
- Techniques factorielles, typologies et lexicométrie
- Quelques applications : documents, messages électroniques, Internet, …
- Les principaux logiciels de Machine Learning
- Bilan
Modalités d'évaluation
Un formulaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes. Ce même formulaire soumis en aval de la formation fournira une appréciation de votre progression.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.
Solutions de financement
Cette formation peut être financée :
- dans le cadre du plan de développement des compétences de votre Entreprise
- par l’OPCO (opérateur de compétences) de votre Entreprise ou le FAF (Fonds d’Assurance Formation) pour les professionnels libéraux
- par France Travail dans le cadre du dispositif de l'Aide Individuelle à la Formation (soumis à accord de votre Agence)
- à titre personnel
Accessibilité
Vous souhaitez suivre notre formation Machine Learning et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage
Ce que pensent nos clients de la formation Machine Learning
M. Hiep N., médecin DIM au Centre Hospitalier de Rochefort
Bonne formation, dense et très utile
M. Rémi V., chef de projet scientifique et technique chez Exxelia Magnetics
Bonne formation, assez exhaustive
M. Julien F., ingénieur au CEA de Marcoule
Formation très instructive. Bonne pédagogie
