Big Data & Machine Learning

Présentation des différents algorithmes d’apprentissage : supervisés, non supervisés et par renforcement

Jalons de construction d’un modèle prédictif

Détection des valeurs aberrantes et traitement les données manquantes

Choix de l’algorithme et des variables de l’algorithme

Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test

Test de représentativité des données d’apprentissage

Mesures de performance des modèles prédictifs

Matrice de confusion, de coût et la courbe ROC et AUC

Travaux pratiques : évaluation et comparaison des différents algorithmes sur les modèles fournis

Apprentissage statistique

Conditionnement des données & réduction de dimension

Machines à vecteurs supports & méthodes à noyaux

Quantification vectorielle

Réseaux neuronaux & deep Learning

Ensemble learning & arbres de décision

Algorithmes de Bandits, optimisme face à l’incertitude

Travaux pratiques : Création de familles d’algorithmes à l’aide de différents jeux de données

Principes d’inférence et d’apprentissage bayésiens

Modèles graphiques

Méthodes bayésiennes

Modèles markoviens

Travaux pratiques : Utilisation des modèles et apprentissages bayésiens sur différents jeux de données

Particularités dues aux environnements distribués

Présentation des outils Spark et MLlib pour le déploiement

Technologies du cloud avec le Machine Learning

Maintenance du modèle

Travaux pratiques : Implémentation en production d’un modèle prédictif avec l’intégration dans des processus de batch et dans des flux de traitements