Aperçu du cours
Objectif de formation : Le stagiaire apprendra durant cette formation à implémenter divers algorithmes et appréhendera les bonnes pratiques pour un projet ML
Prérequis
- Connaissances de base en Python
- Notions fondamentales en statistiques
Objectifs pédagogiques
- Appréhender les principaux modèles d'apprentissage
- Savoir modéliser un problème pratique sous forme abstraite
- Être capable de créer des comparatifs entre les méthodes d'apprentissage et de sélectionner la méthode adaptée à la situation
- Implémenter et mesurer l'impact des méthodes identifiées sur un problème
- Créer des liaisons entre les différentes techniques d'apprentissage
Public ciblé
- Ingénieurs
- Chefs de projet
Programme de formation
-
Premiers pas avec le Machine Learning
-
Big Data & Machine Learning
-
Présentation des différents algorithmes d’apprentissage : supervisés, non supervisés et par renforcement
-
Jalons de construction d’un modèle prédictif
-
Détection des valeurs aberrantes et traitement les données manquantes
-
Choix de l’algorithme et des variables de l’algorithme
-
-
Procédures d'évaluation de modèles
-
Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test
-
Test de représentativité des données d’apprentissage
-
Mesures de performance des modèles prédictifs
-
Matrice de confusion, de coût et la courbe ROC et AUC
-
Travaux pratiques : évaluation et comparaison des différents algorithmes sur les modèles fournis
-
-
Modèles prédictifs & approche fréquentiste
-
Apprentissage statistique
-
Conditionnement des données & réduction de dimension
-
Machines à vecteurs supports & méthodes à noyaux
-
Quantification vectorielle
-
Réseaux neuronaux & deep Learning
-
Ensemble learning & arbres de décision
-
Algorithmes de Bandits, optimisme face à l’incertitude
-
Travaux pratiques : Création de familles d’algorithmes à l’aide de différents jeux de données
-
-
Les modèles et apprentissages bayésiens
-
Principes d’inférence et d’apprentissage bayésiens
-
Modèles graphiques
-
Méthodes bayésiennes
-
Modèles markoviens
-
Travaux pratiques : Utilisation des modèles et apprentissages bayésiens sur différents jeux de données
-
-
Machine Learning en production
-
Particularités dues aux environnements distribués
-
Présentation des outils Spark et MLlib pour le déploiement
-
Technologies du cloud avec le Machine Learning
-
Maintenance du modèle
-
Travaux pratiques : Implémentation en production d’un modèle prédictif avec l’intégration dans des processus de batch et dans des flux de traitements
-
Instructeur
