Machine learning

Data Value

Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Étudiant
Prix
3120 €
Durée
Nous contacter
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
En savoir plus sur les localités en présentiel
Cette formation est disponible dans les centres de formation suivants:
  • 75 - Paris 12e
Cette formation peut être dispensée dans votre entreprise dans les localités suivantes :
  • 75 - Paris
  • 77 - Seine-et-Marne
  • 78 - Yvelines
  • 91 - Essonne
  • 92 - Hauts-de-Seine
  • 93 - Seine-Saint-Denis
  • 94 - Val-de-Marne
  • 95 - Val-d'Oise
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
Programme
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
Haut de page