Aperçu du cours
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable d’intégrer les principes fondamentaux du Machine Learning pour une mise en œuvre adaptée d’un projet d’Intelligence Artificielle.
Prérequis
- Avoir une culture informatique générale
- Posséder des notions de probabilités et statistiques est recommandé
Fonctionnalités
- Comprendre les concepts d’apprentissage automatique et l’évolution du Big Data vers le Machine Learning
- Appréhender les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d’usage
- Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
- Connaitre les outils et les acteurs leaders du marché
- Découvrir les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
- Identifier les clés de réussite d'un projet intégrant du Machine Learning
Public ciblé
- Dirigeants d'entreprise
- DSI
- Consultants
- Responsables informatiques
- Responsables de projets Big Data
- Toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning
Détails
- 16 Sections
- 110 Lessons
- 14 heures
Expand all sectionsCollapse all sections
- Présentation du Machine Learning6
- Présentation du Machine Learning6
- Collecte & préparation9
- Collecte & préparation9
- Présentation du marche du Machine Learning7
- Présentation du marche du Machine Learning7
- Types d'apprentissage en ML5
- Types d'apprentissage en ML5
- Algorithmes9
- 9.1Régression linéaire simple & multiple
- 9.2Régression polynomiale (LASSO). Séries temporelles.
- 9.3Régression logistique et applications en scoring.
- 9.4Classification hiérarchique et non hiérarchique (KMeans).
- 9.5Classification par arbres de décision ou approche Naïve Bayes.
- 9.6Ramdom Forest (développement des arbres de décision).
- 9.7Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
- 9.8Deep Learning : exemples et raisons du succès actuel.
- 9.9Text Mining : analyse des corpus de données textuelles.
- Algorithmes9
- 10.1Régression linéaire simple & multiple
- 10.2Régression polynomiale (LASSO). Séries temporelles.
- 10.3Régression logistique et applications en scoring.
- 10.4Classification hiérarchique et non hiérarchique (KMeans).
- 10.5Classification par arbres de décision ou approche Naïve Bayes.
- 10.6Ramdom Forest (développement des arbres de décision).
- 10.7Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
- 10.8Deep Learning : exemples et raisons du succès actuel.
- 10.9Text Mining : analyse des corpus de données textuelles.
- Procédure d'entraînement et d'évaluation des algorithmes7
- Procédure d'entraînement et d'évaluation des algorithmes7
- Mise en production d'un algorithme de Machine Learning5
- Mise en production d'un algorithme de Machine Learning5
- Aspects éthiques & juridiques liés à l'IA7
- Aspects éthiques & juridiques liés à l'IA7
Instructeur
