Zoom sur les données

Présentation des requêtes

Attentes des utilisateurs

Étapes de la préparation des données

Définitions, présentation du data munging

Rôle du data scientist

Qualité des données

Transformation de l’information en donnée

Qualification et enrichissement

Sécurisation et étanchéité des lacs de données

Flux de données et organisation dans l’entreprise

Donnée maître à la donnée de travail

Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données

Introduction aux calculs statistiques

Paramètres des fonctions

Applications aux fermes de calculs distribués

Problématiques induites

Approximations

Précision des estimations

Besoin, apports et enjeux

Extraction et organisation des classes de données

Analyse factorielle

Apprentissage automatique

Définition & les attentes par rapport au Machine Learning

Valeurs d’observation et variables cibles

Ingénierie des variables

Apprentissage supervisé et non supervisé

Classification des données

Panorama des différents algorithmes

Conception de jeux d’essai, entraînement et construction de modèles

Prévisions à partir de données réelles

Mesure de l’efficacité des algorithmes

Courbes ROC

Parallélisation des algorithmes. Choix automatique.

Introduction aux réseaux de neurones

Réseaux de neurones à convolution

Modèles de CNN

Types de couches

Deep Learning & Deeplearning4j sur Spark

Importance de la préparation des données

Surapprentissage

Intérêt de la visualisation

Outils disponibles