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
Objectifs pédagogiques
- 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
Programme de formation
-
Présentation du Machine Learning
-
Historique
-
Contexte actuel
-
Liens avec d’autres technologies
-
Analyse descriptive, prédictive & prescriptive
-
Les outils du Machine Learning
-
Typologie des algorithmes
-
-
Collecte & préparation
-
Données structurées, semi-structurées & non-structurées
-
Nature statistique des données
-
IoT & streaming
-
Open Data : forces & faiblesses
-
Corrélations & multicolinéarité
-
Analyse des composantes principales
-
Détection & correction des valeurs aberrantes
-
ETL
-
Web Scrapping
-
-
Présentation du marche du Machine Learning
-
Les logiciels traditionnels
-
Python & R
-
Plateformes Cloud & solutions SaaS
-
L’émergence de nouveaux métiers
-
Corrélation compétences & outils
-
API en ligne
-
Chatbots
-
-
Types d'apprentissage en ML
-
Apprentissage supervisé & non-supervisé
-
Online Learning
-
Reinforcement learning
-
Autres modalités d’apprentissage
-
Illustrations
-
-
Algorithmes
-
Régression linéaire simple & multiple
-
Régression polynomiale (LASSO). Séries temporelles.
-
Régression logistique et applications en scoring.
-
Classification hiérarchique et non hiérarchique (KMeans).
-
Classification par arbres de décision ou approche Naïve Bayes.
-
Ramdom Forest (développement des arbres de décision).
-
Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
-
Deep Learning : exemples et raisons du succès actuel.
-
Text Mining : analyse des corpus de données textuelles.
-
-
Procédure d'entraînement et d'évaluation des algorithmes
-
Séparation du jeu de données : entraînement, test et validation
-
Techniques de bootstrap (bagging)
-
Validation croisée
-
Métrique de performance
-
Descente de gradient stochastique
-
Courbes ROC et de lift
-
Matrice de confusion
-
-
Mise en production d'un algorithme de Machine Learning
-
Plateforme Big Data
-
API
-
Développement & mise en production
-
Stratégie de maintenance corrective et évolutive
-
Evaluation du coût de fonctionnement en production
-
-
Aspects éthiques & juridiques liés à l'IA
-
CNIL
-
Enjeux juridiques, économiques & éthiques
-
Droit d’accès aux données personnelles
-
Propriété intellectuelle des algorithmes
-
CDO & DPO
-
Impartialité des algorithmes
-
Biais de confirmation
-
Instructeur
