Accueil    Formations    Informatique    Intelligence Artificielle (IA)    Analyse de données avec Machine Learning et Deep Learning    Machine Learning - Etat de l'art

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Objectifs pédagogiques / Compétences visées

  • Identifier les principes fondamentaux du Machine Learning pour une mise en oeuvre adaptée d'un projet d'Intelligence Artificielle
  • Décrire les concepts d'apprentissage automatique et l'évolution du Big Data vers le Machine Learning
  • Définir les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d'usage
  • Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
  • Reconnaître les outils et les acteurs leaders du marché
  • Décrire les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
  • Identifier les clés de réussite d'un projet intégrant du Machine Learning.

Niveau requis

Avoir une culture informatique générale. Il est également recommandé de posséder des notions de probabilités et statistiques.

Public concerné

Dirigeants d'entreprise, DSI, responsables informatique, consultants, responsables de projets Big Data ou toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning.

Programme

Jour 1

Introduction

  • Expliquer les concepts de Machine Learning
    • Définition
    • A quoi sert le Machine Learning ?
    • La différence entre Intelligence Artificielle et Machine Learning
    • Les enjeux de l'utilisation du Machine Learning
    • Outils nécessaires pour la pratique du Machine Learning sur vos propres données

Mise en place d'un workflow

  • Découvrir Python (NumPy, Pandas, Matplotlib, Seaborn...)
  • D'où vient l'importance de la visualisation des données ?
  • Comment la machine peut-elle lire différentes données de différents types ?

Explorer et préparer les données

  • Gérer
    • Les données manquantes
    • Les données dupliquées
    • Les variables catégoriques
  • Nettoyage des données (supprimer les données inutiles)
  • Diviser l'ensemble de données entre l'ensemble d'apprentissage et l'ensemble de test
  • Appliquer "Feature scaling"

Jour 2

Choisir et appliquer un bon algorithme

  • Comprendre la différence entre un contexte supervisé et un contexte non supervisé
  • Algorithmes supervisés
    • Maîtriser la différence entre la régression et la classification et dans quel contexte chacune est utilisée
    • Appliquer des méthodes de régressions (régression linéaire, régression polynomiale...)
    • Appliquer des méthodes de classification (KNN, SVM, forêt d'arbres décisionnels...)
    • Maîtriser et appliquer les paramètres d'évaluation des performances : MAE, RMSE pour la régression, et matrice de confusion, rapport de classement pour la classification (notion du true positif / true négatif, false positif / false négatif)
  • Algorithmes non supervisés
    • Clustering (K-means, Mean shift)
    • Réduction de dimension (PCA, LDA)

Déployer le modèle Machine Learning

  • Conditions de déploiement d'un modèle Machine Learning

Modalités d’évaluation des acquis

  • En cours de formation, par des études de cas ou des travaux pratiques
  • Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Vous souhaitez suivre cette formation ?

Cette formation est disponible en présentiel ou en classe à distance, avec un programme et une qualité pédagogique identiques.

Choisissez la modalité souhaitée pour vous inscrire :

Votre société a besoin d'une offre personnalisée ? Contactez-nous

Faites-nous part de votre projet de formation, nous sommes là pour vous guider.

Contactez-nous