Support & Downloads

Quisque actraqum nunc no dolor sit ametaugue dolor. Lorem ipsum dolor sit amet, consyect etur adipiscing elit.

s f

Contact Info
198 West 21th Street, Suite 721
New York, NY 10010
youremail@yourdomain.com
+88 (0) 101 0000 000
Follow Us

IA, Data Science & Machine Learning – Introduction

réf : BDT-IA

Objectifs pédagogiques

  • Identifier l’ensemble des enjeux et facteurs à prendre en compte pour réussir l’intégration de l’Intelligence Artificielle et du traitement de données Big Data dans la vision large du SI
  • Evaluer et sélectionner les outils appropriés dans le cadre d’un plan de mise en oeuvre d’Intelligence Artificielle

Pré-requis

Avoir une connaissance basique des environnements SI

Public concerné

Architectes fonctionnelles, chefs de projets, directeurs de projets, manager, consultants SI…

Programme

  • Introduction au Big Data : de quoi s’agit-il ?
  • Du Big Data au cycle de la donnée
  • Définition de l’Intelligence Artificielle, de la Data Science/Analyse/Engineering, du Machine Learning et du Deep Learning
  • Perspectives offertes par le Big Data et l’Intelligence Artificielle
  • Les acteurs du Big Data et de l’Intelligence Artificielle
  • Exemples pratiques : Démystification du Big Data et de l’Intelligence Artificielle ; Présentation des technologies et outils concernées les différents métiers
  • La qualité des données
  • Open Data
  • Le traitement des données
  • La protection des données
  • La visualisation de la donnée
  • Le challenge technique et matériel
  • Investissement dans l’analyse
  • Le Web sémantique
  • L’enjeu économique
  • L’impact organisationnel
  • La conduite du changement
  • Objectifs du Machine Learning et de l’optimisation
  • Apprentissage supervisé, semi-supervisé, non-supervisé
  • Données structurées, non-structurées
  • Introduction et comparaison des différents modèles de Machine Learning
  • Fondements du Deep Learning
  • Réduction de dimension
  • Sélection de variables
  • Métriques et évaluation d’un modèle
  • Sur-apprentissage, généralisation et régularisation
  • Paramètres et hyperparamètres
  • Algorithme de descente de gradient
  • Différentes tâches en traitement d’images, du son, du texte
  • Sklearn
  • PyTorch
  • Keras, Tensorflow
  • Spark
  • Assurer la protection des données
  • L’anonymisation d’un modèle de Machine Learning
  • Hacking de Réseau de neurones

Équipe pédagogique

Professionnel expert dans le Big Data

Moyens pédagogiques et techniques

  • Espace intranet de formation.
  • Documents supports de formation projetés.
  • Exposés théoriques
  • Étude de cas concrets
  • Mise à disposition en ligne de documents supports à la suite de la formation.

Dispositif de suivi

  • Émargement numérique.
  • Mises en situation.
  • Formulaires d’évaluation de la formation.
  • Certificat de réalisation de l’action de formation.

Vous avez une question ?