▷ Offre de Formation Machine learning avec Data Value

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Etudiant

Prix

3120 €

Durée

Nous contacter

Niveau visé

Non diplômante

Localité

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

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 oeuvre les réseaux de neurones
- Découvrir et mettre en oeuvre 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 oeuvre les méthodes du Text Mining
- Avoir une vision des principaux logiciels de Machine Learning

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.