Menu Recherche Panier
(...)
Vous êtes ici : Accueil > Formation Les bases de l'apprentissage Machine (Machine Learning)
Technique

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

Transformer des volumes massifs de données en informations utiles

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 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.

Objectifs de cette formation

Les bases de l'apprentissage Machine (Machine Learning)
  • Comprendre les différences entre apprentissage automatique supervisé, non supervisé et meta-apprentissage
  • Savoir transformer un gros volumes de données à priori hétérogène en information utile
  • 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

Public

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

Pré-requis

Programme détaillé

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

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

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

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

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

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

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 plus de cette formation

Les bases de l'apprentissage Machine (Machine Learning)
  • 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.

Informations

  • Durée : 3 jours (21h)
  • Tarif : 2 050 € HT
  • Réf. : BI105
  • Option(s)
    • Repas Paris : 69 € HT


Dates des sessions

Session garantie Formation à distance Session accessible à distance Visio
Bon à savoir...




= une réponse possible
= plusieurs réponses possibles

Vous n'avez pas répondu à toutes les questions !
Vous avez % de bonnes réponses, vous pouvez donc suivre cette formation.
Vous avez % de bonnes réponses.
Nous vous invitons à contacter nos Conseillers Formation au 0825 07 6000 afin qu'ils vous orientent vers une formation plus adaptée à vos connaissances.