Détails
- 16 Sections
- 110 Lessons
- 14 heures
Expand all sectionsCollapse all sections
- Présentation du Machine Learning6
- 1.1Historique
- 1.2Contexte actuel
- 1.3Liens avec d’autres technologies
- 1.4Analyse descriptive, prédictive & prescriptive
- 1.5Les outils du Machine Learning
- 1.6Typologie des algorithmes
- Présentation du Machine Learning6
- 2.1Historique
- 2.2Contexte actuel
- 2.3Liens avec d’autres technologies
- 2.4Analyse descriptive, prédictive & prescriptive
- 2.5Les outils du Machine Learning
- 2.6Typologie des algorithmes
- Collecte & préparation9
- 3.1Données structurées, semi-structurées & non-structurées
- 3.2Nature statistique des données
- 3.3IoT & streaming
- 3.4Open Data : forces & faiblesses
- 3.5Corrélations & multicolinéarité
- 3.6Analyse des composantes principales
- 3.7Détection & correction des valeurs aberrantes
- 3.8ETL
- 3.9Web Scrapping
- Collecte & préparation9
- 4.1Données structurées, semi-structurées & non-structurées
- 4.2Nature statistique des données
- 4.3IoT & streaming
- 4.4Open Data : forces & faiblesses
- 4.5Corrélations & multicolinéarité
- 4.6Analyse des composantes principales
- 4.7Détection & correction des valeurs aberrantes
- 4.8ETL
- 4.9Web Scrapping
- Présentation du marche du Machine Learning7
- 5.1Les logiciels traditionnels
- 5.2Python & R
- 5.3Plateformes Cloud & solutions SaaS
- 5.4L’émergence de nouveaux métiers
- 5.5Corrélation compétences & outils
- 5.6API en ligne
- 5.7Chatbots
- Présentation du marche du Machine Learning7
- 6.1Les logiciels traditionnels
- 6.2Python & R
- 6.3Plateformes Cloud & solutions SaaS
- 6.4L’émergence de nouveaux métiers
- 6.5Corrélation compétences & outils
- 6.6API en ligne
- 6.7Chatbots
- Types d'apprentissage en ML5
- 7.1Apprentissage supervisé & non-supervisé
- 7.2Online Learning
- 7.3Reinforcement learning
- 7.4Autres modalités d’apprentissage
- 7.5Illustrations
- Types d'apprentissage en ML5
- 8.1Apprentissage supervisé & non-supervisé
- 8.2Online Learning
- 8.3Reinforcement learning
- 8.4Autres modalités d’apprentissage
- 8.5Illustrations
- 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
- 11.1Séparation du jeu de données : entraînement, test et validation
- 11.2Techniques de bootstrap (bagging)
- 11.3Validation croisée
- 11.4Métrique de performance
- 11.5Descente de gradient stochastique
- 11.6Courbes ROC et de lift
- 11.7Matrice de confusion
- Procédure d'entraînement et d'évaluation des algorithmes7
- 12.1Séparation du jeu de données : entraînement, test et validation
- 12.2Techniques de bootstrap (bagging)
- 12.3Validation croisée
- 12.4Métrique de performance
- 12.5Descente de gradient stochastique
- 12.6Courbes ROC et de lift
- 12.7Matrice de confusion
- Mise en production d'un algorithme de Machine Learning5
- 13.1Plateforme Big Data
- 13.2API
- 13.3Développement & mise en production
- 13.4Stratégie de maintenance corrective et évolutive
- 13.5Evaluation du coût de fonctionnement en production
- Mise en production d'un algorithme de Machine Learning5
- 14.1Plateforme Big Data
- 14.2API
- 14.3Développement & mise en production
- 14.4Stratégie de maintenance corrective et évolutive
- 14.5Evaluation du coût de fonctionnement en production
- Aspects éthiques & juridiques liés à l'IA7
- 15.1CNIL
- 15.2Enjeux juridiques, économiques & éthiques
- 15.3Droit d’accès aux données personnelles
- 15.4Propriété intellectuelle des algorithmes
- 15.5CDO & DPO
- 15.6Impartialité des algorithmes
- 15.7Biais de confirmation
- Aspects éthiques & juridiques liés à l'IA7
- 16.1CNIL
- 16.2Enjeux juridiques, économiques & éthiques
- 16.3Droit d’accès aux données personnelles
- 16.4Propriété intellectuelle des algorithmes
- 16.5CDO & DPO
- 16.6Impartialité des algorithmes
- 16.7Biais de confirmation
