New course

Formation - Les bases de l'apprentissage Machine (Machine Learning)

La maitrise du Data Mining et du Machine Learning est devenue une compétence nécessaire, voire même indispensable à toute personne ... Voir plus

Instructeur

EUDOXE TRAINING CENTER

16 Étudiants Inscrit

0 revue

Description
Curriculum
FAQ
Annonce
Examens

La maitrise du Data Mining et du Machine Learning est devenue une compétence nécessaire, voire même indispensable à toute personne souhaitant développer une expertise Big Data puisqu’elle permet d’explorer ou de fouiller de très importants volumes de données pour construire des modèles et répondre aux problèmes très variés des entreprises et organisations lorsque les méthodes statistiques traditionnelles deviennent inopérantes. Pour cela, les experts en Big Data doivent maitriser l’élaboration et l’étude des algorithmes permettant à des machines d’apprendre automatiquement à partir des données et à effectuer des tâches de façon autonome pour modéliser des tendances.

A qui s’adresse cette formation ?

Pour qui

Ingénieurs, analystes, responsables marketing
Data Analysts, Data Scientists, Data Steward
Toute personne intéressée par les techniques de Data Mining et de Machine Learning

Prérequis

Connaître l’utilité du Data Mining et les problématiques du Big Data dans le ciblage économique

Le programme

1 – L’apprentissage machine (Introduction)

Introduction
Champs de compétences
Focus Data Science (Data Mining)
Focus Machine Learning
Focus Big Data
Focus Deep Learning
Définition de l’apprentissage machine
Exemples de tâches du machine Learning
Que peuvent apprendre les machines
Les différents modes d’entraînement

2 – Les fondamentaux de l’apprentissage machine

Préambule : – Un problème d’optimisation – Quête de la capacité optimale du modèle – Relation capacité et erreurs – Un apport philosophique – Cadre statistique – Anatomie d’un modèle d’apprentissage machine
Jeux de données d’entraînement : – Cadre statistique – Les variables prédictives – Chaîne de traitement des variables prédictives – Les variables à prédire
Fonctions hypothèses : – Principe : jeux de fonctions hypothèses – Contexte de sélection des fonctions hypothèses – Caractéristiques des fonctions hypothèses – Modèles probabilistes Fréquentistes et Bayésiens
Fonctions de coûts : – Les estimateurs – Principe du maximum de vraisemblance (MLE*) – MAP – Maximum A Posteriori – Le biais d’un estimateur – La variance d’un estimateur – Le compromis biais – variance – Les fonctions de coûts – La régularisation des paramètres
Algorithmes d’optimisations : – Les grandes classes d’algorithmes d’optimisation – La descente de gradient (1er ordre) – Descente de gradient (détails) – Les approches de Newton (2nd ordre) – Optimisation batch et stochastique – Pour aller plus loin
Lab : Mise en oeuvre de l’environnement de travail machine Learning

3 – La classification

Introduction : – Choisir un algorithme de classification
La régression logistique : – Du Perceptron à la régression logistique – Hypothèses du modèle – Apprentissage des poids du modèle – Exemple d’implémentation : scikit-learn – Régression logistique – Fiche Synthèse
SVM : – Classification à marge maximum – La notion de marge souple (soft margin) – Les machines à noyau (kernel machines) – L’astuce du noyau (kernel trick) – Les fonctions noyaux – SVM – Maths – SVM – Fiche Synthèse
Arbres de décision : – Principe de base – Fonctionnement – Maximisation du Gain Informationnel – Mesure d’impureté d’un noeud – Exemple d’implémentation : scikit-learn -Arbres de décision – Fiche Synthèse
K plus proches voisins (kNN) : – L’apprentissage à base d’exemples – Principe de fonctionnement – Avantages et désavantages – kNN – Fiche synthèse
Synthèse
Lab : Expérimentation des algorithmes de classification sur cas concrets

4 – Les pratiques

Prétraitement : – Gestion des données manquantes – Transformateurs et estimateurs – Le traitement des données catégorielles – Le partitionnement des jeux de données – Mise à l’échelle des données
Ingénierie des variables prédictives (Feature Engineering) : – Sélection des variables prédictives – Sélection induite par régularisation L1 – Sélection séquentielle des variables – Déterminer l’importance des variables – Réduction dimensionnelle par Compression des données – L’extraction de variables prédictives – Analyse en composante principale (ACP) – Analyse linéaire discriminante (ADL) – l’ACP à noyau (KPCA)
Réglages des hyper-paramètres et évaluation des modèles : – Bonnes pratiques – La notion de Pipeline – La validation croisée (cross validation) – Courbes d’apprentissage – Courbes de validation – La recherche par grille (grid search) – Validation croisée imbriquée (grid searchcv) – Métriques de performance
Synthèse
Lab : Expérimentation des pratiques du machine learning sur cas concrets

5 – L’apprentissage d’ensembles (ensemble learning)

Introduction
L’approche par vote
Une variante : l’empilement (stacking)
Le bagging
Les forêts aléatoires
Le boosting
La variante Adaboost
Gradient Boosting
Fiches synthèses
Lab : L’apprentissage d’ensemble sur un cas concret

6 – La régression

Régression linéaire simple
Régression linéaire multi-variée
Relations entre les variables
Valeurs aberrantes (RANSAC)
Évaluation de la performance des modèles de régression
La régularisation des modèles de régression linéaire
Régression polynomiale
La régression avec les forêts aléatoires
Synthèse
Lab : La régression sur un cas concret

7 – Le clustering

Introduction
Le regroupement d’objets par similarité avec les k-moyens (k-means)
k-means : algorithme
L’inertie d’un cluster
Variante k-means ++
Le clustering flou
Trouver le nombre optimal de clusters avec la méthode Elbow
Appréhender la qualité des clusters avec la méthode des silhouettes
Le clustering hiérarchique
Le clustering par mesure de densité DBSCAN
Autres approches du Clustering
Synthèse
Lab : Le clustering sur un cas concret

Les objectifs de la formation

Comprendre les différences entre apprentissage automatique supervisé, non supervisé et méta-apprentissage
Savoir transformer un gros volume de données à priori hétérogènes en informations utiles
Maîtriser l’utilisation d’algorithmes d’auto-apprentissage adaptés à une solution d’analyse
Comprendre comment exploiter de gros volumes de données textuelles
Être capable d’appliquer ces différentes techniques aux projets Big Data

Evaluation

Cette formation fait l’objet d’une évaluation formative.

Les points forts de la formation

Une formation très pratique : 70% du temps de la formation est dédié à la mise en pratique pour une meilleure assimilation de notions de base.
Cette formation est basée sur des exercices principalement proposés par le formateur et tirés de l’ouvrage qui sert de support pour la formation.
Les travaux pratiques sont principalement réalisés avec R et Python.
Des consultants expérimentés partagent leur savoir-faire avec les participants.
100% des participants à cette formation se sont déclarés satisfaits ou très satisfaits au cours des 12 derniers mois.

Starting Course

After Intro

FAQ 1

Faq Content 1

FAQ 2

Faq Content 2

Productivity Hacks to Get More Done in 2018

— 28 February 2017

Facebook News Feed Eradicator (free chrome extension) Stay focused by removing your Facebook newsfeed and replacing it with an inspirational quote. Disable the tool anytime you want to see what friends are up to!
Hide My Inbox (free chrome extension for Gmail) Stay focused by hiding your inbox. Click "show your inbox" at a scheduled time and batch processs everything one go.
Habitica (free mobile + web app) Gamify your to do list. Treat your life like a game and earn gold goins for getting stuff done!

Please, login to leave a review