Formation Machine Learning - Méthodes et solutions

• 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

• 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

• 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

• 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

• 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