Nous utilisons des cookies pour vous fournir l'ensemble de nos services, notamment la recherche et les alertes. En acceptant, vous consentez à notre utilisation de ces cookies.
Choisir mes préférences
Machine learning
Objectifs
Programme
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.
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 "KnowledgeDiscovery 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 rééchantillonnage
✓ Bagging
✓ Boosting
✓ Random Forest
Le Text mining
✓ Principe et méthodes du Textmining
✓ Techniques factorielles, typologies et lexicométrie
✓ Quelques applications : documents, messages électroniques, Internet, …
Les principaux logiciels de
Machine Learning
Bilan
Public visé
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, ...)
Prérequis
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.
Méthodes pédagogiques
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.
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Modalités d'évaluation
Formulaire d'autoévaluation en amont et aval de la formation, exercices pratiques de fin de séquences pédagogiques, questionnaires d’évaluation à chaud et à froid.
Choisissez une date pour pouvoir réserver !