Aperçu du cours
Objectif de formation : au terme de la formation, les participants seront capable d’analyser des données grâce au langage de programmation R.
Programme d'études
Introduction au data mining & au machine learning
Différence entre le Data Mining et la Data Science
Apprentissage statistique vs. apprentissage automatique
Itération et évaluation
Compromis biais-variance
Les phases d’un projet de Data Mining / Data Science
Machine learning supervisé : Régressions
Régression linéaire simple
Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
Régression linéaire multiple
Exemple de cas pratiques : expliquer et prédire le niveau de concentration d’Ozone en fonction de plusieurs paramètres météorologiques ou prédire l’émission de CO2 en fonction des caractéristiques d’un véhicule automobile
Généralisations et non-linéarité
Arbres de décisions pour la régression
Random Forest pour la régression
Exemple de cas pratiques : détecter les cas de cancer de la prostate chez des patients ou détecter le départ d’un client à la concurrence
Machine learning supervisé : Classification
Régression logistique
Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
Analyse discriminante
Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
K plus proches voisins
Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
Rafraîchissement bayésien
Classification naïve bayésienne
Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
Machine à vecteurs de support
Exemple de cas pratiques : détecter le départ d’un client à la concurrence
Réseaux neuronaux
Sujets avancés
Validation croisée et techniques de rééchantillonnage
Bootstrap
Les hyper-paramètres
Modèles ensemblistes
Modèles mixtes
Boosting
Machine Learning non-supervisé
Regroupement K-means
Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
Défis de l’apprentissage non supervisé et au-delà de K-means
Réduction multidimensionnelle
Réduction multidimensionnelle : Analyse en Composantes Principales
Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
Réduction multidimensionnelle : Analyse Factorielle des Correspondances
Réduction multidimensionnelle : Analyse en Correspondances Multiples
Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française
Instructeur
