Best
 

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

Transformer des volumes massifs de données en informations utiles

  • Présentiel ou classe à distance
  • Fondamental
Télécharger le PDF
PRESENTIEL OU CLASSE A DISTANCE
Référence
BI105

Durée
3 jours (21 heures)

Prix
2 090,00 €  HT

Dans vos locaux ou à distance
Référence
BI105

Durée
3 jours (21 heures)

Forfait intra - En savoir plus
7 215,00€ HT
(Prix pour un groupe de 12 personnes max)

Formation à la demande
Cette thématique vous intéresse ?
Nos experts conçoivent votre formation
sur-mesure !

Partager cette formation

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.
Pour qui ?

A qui s'adresse cette formation ?

Pour qui

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

Prérequis

  • Connaître l'utilité du Data Mining et les problématiques du Big Data dans le ciblage économique
Programme

Le programme

1 - 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

2 - 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

3 - 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

4 - 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

5 - 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

6 - 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

7 - 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
Objectifs

Les objectifs de la formation

  • Comprendre les différences entre apprentissage automatique supervisé, non supervisé et méta-apprentissage
  • Savoir transformer un gros volume de données à priori hétérogènes en informations utiles
  • 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
Points forts

Les points forts de la formation

  • 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.

Qualité des formations

ib - groupe Cegos est certifié Iso 9001 et Qualiopi.

Dates et villes

Mise à jour le 03/10/2022

Trier par:

  • 2 090,00 € HT
    Dernières places
    Session garantie

    Nous réalisons 96% des sessions garanties.
    Il est possible que, pour des raisons pédagogiques, nous estimions que la session ne peut-être maintenue, nous vous proposerons alors de vous reporter sur une autre date à distance ou dans une ville proche.

    S'inscrire
    Le lieu de formation sera indiqué environ 3 semaines avant le début de la formation
  • 2 090,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 2 090,00 € HT
    Places disponibles
    S'inscrire
    Le lieu de formation sera indiqué environ 3 semaines avant le début de la formation
Formation - Les bases de l'apprentissage Machine (Machine Learning)