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.
Prérequis
- Connaissances solides en mathématiques : algèbre, probabilités, statistiques
- Bonnes bases informatique : algorithmie, logique
Fonctionnalités
- Appréhender les différences entre le Data Mining & la Data Science
- Comprendre le fonctionnement du Machine Learning dans un apprentissage supervisé
- Maîtriser des techniques et concepts avancés du langage R
- Savoir déployer des apprentissages non-supervisés en Machine Learning avec R
Public ciblé
- Dataminers
- Data Scientists
Détails
- 30 Sections
- 240 Lessons
- 15 heures
Expand all sectionsCollapse all sections
- Introduction au data mining & au machine learning5
- Introduction au data mining & au machine learning5
- Introduction au data mining & au machine learning5
- Introduction au data mining & au machine learning5
- Introduction au data mining & au machine learning5
- Introduction au data mining & au machine learning5
- Machine learning supervisé : Régressions8
- 7.1Régression linéaire simple
- 7.2Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
- 7.3Régression linéaire multiple
- 7.4Exemple 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
- 7.5Généralisations et non-linéarité
- 7.6Arbres de décisions pour la régression
- 7.7Random Forest pour la régression
- 7.8Exemple 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 : Régressions8
- 8.1Régression linéaire simple
- 8.2Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
- 8.3Régression linéaire multiple
- 8.4Exemple 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
- 8.5Généralisations et non-linéarité
- 8.6Arbres de décisions pour la régression
- 8.7Random Forest pour la régression
- 8.8Exemple 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 : Régressions8
- 9.1Régression linéaire simple
- 9.2Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
- 9.3Régression linéaire multiple
- 9.4Exemple 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
- 9.5Généralisations et non-linéarité
- 9.6Arbres de décisions pour la régression
- 9.7Random Forest pour la régression
- 9.8Exemple 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 : Régressions8
- 10.1Régression linéaire simple
- 10.2Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
- 10.3Régression linéaire multiple
- 10.4Exemple 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
- 10.5Généralisations et non-linéarité
- 10.6Arbres de décisions pour la régression
- 10.7Random Forest pour la régression
- 10.8Exemple 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 : Régressions8
- 11.1Régression linéaire simple
- 11.2Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
- 11.3Régression linéaire multiple
- 11.4Exemple 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
- 11.5Généralisations et non-linéarité
- 11.6Arbres de décisions pour la régression
- 11.7Random Forest pour la régression
- 11.8Exemple 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 : Régressions8
- 12.1Régression linéaire simple
- 12.2Exemple de cas pratiques : expliquer et prédire des loyers en fonction des caractéristiques d’un logement et de ses commodités
- 12.3Régression linéaire multiple
- 12.4Exemple 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
- 12.5Généralisations et non-linéarité
- 12.6Arbres de décisions pour la régression
- 12.7Random Forest pour la régression
- 12.8Exemple 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 : Classification12
- 13.1Régression logistique
- 13.2Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
- 13.3Analyse discriminante
- 13.4Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
- 13.5K plus proches voisins
- 13.6Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
- 13.7Rafraîchissement bayésien
- 13.8Classification naïve bayésienne
- 13.9Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
- 13.10Machine à vecteurs de support
- 13.11Exemple de cas pratiques : détecter le départ d’un client à la concurrence
- 13.12Réseaux neuronaux
- Machine learning supervisé : Classification12
- 14.1Régression logistique
- 14.2Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
- 14.3Analyse discriminante
- 14.4Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
- 14.5K plus proches voisins
- 14.6Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
- 14.7Rafraîchissement bayésien
- 14.8Classification naïve bayésienne
- 14.9Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
- 14.10Machine à vecteurs de support
- 14.11Exemple de cas pratiques : détecter le départ d’un client à la concurrence
- 14.12Réseaux neuronaux
- Machine learning supervisé : Classification12
- 15.1Régression logistique
- 15.2Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
- 15.3Analyse discriminante
- 15.4Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
- 15.5K plus proches voisins
- 15.6Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
- 15.7Rafraîchissement bayésien
- 15.8Classification naïve bayésienne
- 15.9Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
- 15.10Machine à vecteurs de support
- 15.11Exemple de cas pratiques : détecter le départ d’un client à la concurrence
- 15.12Réseaux neuronaux
- Machine learning supervisé : Classification12
- 16.1Régression logistique
- 16.2Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
- 16.3Analyse discriminante
- 16.4Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
- 16.5K plus proches voisins
- 16.6Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
- 16.7Rafraîchissement bayésien
- 16.8Classification naïve bayésienne
- 16.9Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
- 16.10Machine à vecteurs de support
- 16.11Exemple de cas pratiques : détecter le départ d’un client à la concurrence
- 16.12Réseaux neuronaux
- Machine learning supervisé : Classification12
- 17.1Régression logistique
- 17.2Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
- 17.3Analyse discriminante
- 17.4Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
- 17.5K plus proches voisins
- 17.6Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
- 17.7Rafraîchissement bayésien
- 17.8Classification naïve bayésienne
- 17.9Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
- 17.10Machine à vecteurs de support
- 17.11Exemple de cas pratiques : détecter le départ d’un client à la concurrence
- 17.12Réseaux neuronaux
- Machine learning supervisé : Classification12
- 18.1Régression logistique
- 18.2Exemple de cas pratiques : expliquer et prédire la survenue du cancer du sein
- 18.3Analyse discriminante
- 18.4Exemple de cas pratiques : prédire le type de vin en fonction de ses caractéristiques chimiques
- 18.5K plus proches voisins
- 18.6Exemple de cas pratiques : Profilage des clients bancaires : comment identifier des profils à haut risque ?
- 18.7Rafraîchissement bayésien
- 18.8Classification naïve bayésienne
- 18.9Exemple de cas pratiques : détecter le départ d’un client à la concurrence ou identifier des e-mails comme courriels ou spams
- 18.10Machine à vecteurs de support
- 18.11Exemple de cas pratiques : détecter le départ d’un client à la concurrence
- 18.12Réseaux neuronaux
- Sujets avancés6
- Sujets avancés6
- Sujets avancés6
- Sujets avancés6
- Sujets avancés6
- Sujets avancés6
- Machine Learning non-supervisé9
- 25.1Regroupement K-means
- 25.2Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
- 25.3Défis de l’apprentissage non supervisé et au-delà de K-means
- 25.4Réduction multidimensionnelle
- 25.5Réduction multidimensionnelle : Analyse en Composantes Principales
- 25.6Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
- 25.7Réduction multidimensionnelle : Analyse Factorielle des Correspondances
- 25.8Réduction multidimensionnelle : Analyse en Correspondances Multiples
- 25.9Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française
- Machine Learning non-supervisé9
- 26.1Regroupement K-means
- 26.2Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
- 26.3Défis de l’apprentissage non supervisé et au-delà de K-means
- 26.4Réduction multidimensionnelle
- 26.5Réduction multidimensionnelle : Analyse en Composantes Principales
- 26.6Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
- 26.7Réduction multidimensionnelle : Analyse Factorielle des Correspondances
- 26.8Réduction multidimensionnelle : Analyse en Correspondances Multiples
- 26.9Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française
- Machine Learning non-supervisé9
- 27.1Regroupement K-means
- 27.2Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
- 27.3Défis de l’apprentissage non supervisé et au-delà de K-means
- 27.4Réduction multidimensionnelle
- 27.5Réduction multidimensionnelle : Analyse en Composantes Principales
- 27.6Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
- 27.7Réduction multidimensionnelle : Analyse Factorielle des Correspondances
- 27.8Réduction multidimensionnelle : Analyse en Correspondances Multiples
- 27.9Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française
- Machine Learning non-supervisé9
- 28.1Regroupement K-means
- 28.2Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
- 28.3Défis de l’apprentissage non supervisé et au-delà de K-means
- 28.4Réduction multidimensionnelle
- 28.5Réduction multidimensionnelle : Analyse en Composantes Principales
- 28.6Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
- 28.7Réduction multidimensionnelle : Analyse Factorielle des Correspondances
- 28.8Réduction multidimensionnelle : Analyse en Correspondances Multiples
- 28.9Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française
- Machine Learning non-supervisé9
- 29.1Regroupement K-means
- 29.2Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
- 29.3Défis de l’apprentissage non supervisé et au-delà de K-means
- 29.4Réduction multidimensionnelle
- 29.5Réduction multidimensionnelle : Analyse en Composantes Principales
- 29.6Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
- 29.7Réduction multidimensionnelle : Analyse Factorielle des Correspondances
- 29.8Réduction multidimensionnelle : Analyse en Correspondances Multiples
- 29.9Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française
- Machine Learning non-supervisé9
- 30.1Regroupement K-means
- 30.2Exemple de cas pratiques : classification automatique d’espèces de plantes ou de poissons en fonction de leurs caractéristiques physiologiques
- 30.3Défis de l’apprentissage non supervisé et au-delà de K-means
- 30.4Réduction multidimensionnelle
- 30.5Réduction multidimensionnelle : Analyse en Composantes Principales
- 30.6Exemple de cas pratiques : Typologie d’athlètes au regard de leurs performances aux jeux olympiques
- 30.7Réduction multidimensionnelle : Analyse Factorielle des Correspondances
- 30.8Réduction multidimensionnelle : Analyse en Correspondances Multiples
- 30.9Exemple de cas pratiques : répartition des tâches dans un ménage ou étude sur les équipements sportifs des communes française