Description
Objectif général de la formation : Permettre aux participants de comprendre les concepts et la théorie des modèles statistiques bayésiens, ainsi que leur application dans des problématiques d'inférence probabiliste en apprentissage machine. Modalité : Toutes les modalités (présentiel, classe virtuelle et hybride) sont possibles Lieu possible de réalisation : Locaux du bénéficiaire ou locaux d’Ascent Formation, en France métropolitaine et dans les DROM-COM Nombre maximal de participants : 20 Niveau SAME: Maîtrise (M) Compétences visées : Comprendre la théorie des modèles bayésiens et leurs avantages. Identifier les situations adaptées à l’utilisation de l’analyse bayésienne. Appliquer des méthodes bayésiennes à des problématiques d’inférence probabiliste. Utiliser des outils et bibliothèques Python pour implémenter des modèles bayésiens.
Objectifs pédagogiques
- Découvrir les principes fondamentaux de la statistique bayésienne.
- Comprendre et appliquer les algorithmes d’inférence bayésienne.
- Implémenter des modèles bayésiens pour résoudre des problématiques concrètes.
- Interpréter les résultats d’une analyse bayésienne dans un contexte machine learning.
Public concerné
Prérequis
Déroulé du programme
Jour 1 : Introduction à l’analyse bayésienne (6 heures)
- Fondamentaux de la statistique bayésienne (2 heures)
Théorème de Bayes et interprétation probabiliste.
Différence entre statistique bayésienne et fréquentiste.
Étude de cas : Exemples concrets de modèles bayésiens en apprentissage machine.
- Modèles bayésiens simples (2 heures)
Construction de modèles probabilistes.
Utilisation de prior et posterior dans les analyses.
Travaux pratiques : Implémentation d’un modèle bayésien simple en Python.
- Introduction aux outils Python pour l’analyse bayésienne (2 heures)
Présentation des bibliothèques : PyMC3, Stan, TensorFlow Probability.
Paramétrage et visualisation des résultats.
Travaux pratiques : Installation et configuration des outils.
Jour 2 : Algorithmes et applications (6 heures)
- Algorithmes d’inférence bayésienne (3 heures)
Méthodes Monte Carlo par chaînes de Markov (MCMC).
Algorithme de Gibbs et Hamiltonian Monte Carlo.
Travaux pratiques : Implémentation d’un algorithme MCMC pour une problématique donnée.
- Applications de l’analyse bayésienne (3 heures)
Régression bayésienne.
Analyse de séries temporelles bayésiennes.
Travaux pratiques : Utilisation de modèles bayésiens pour analyser des données réelles.
Jour 3 : Avancées et déploiement des modèles bayésiens (6 heures)
- Modèles hiérarchiques et avancés (2 heures)
Construction de modèles hiérarchiques.
Applications aux données complexes.
Travaux pratiques : Création d’un modèle hiérarchique pour des données multi-niveaux.
- Validation et interprétation des modèles bayésiens (2 heures)
Vérification des hypothèses et validation des modèles.
Méthodes de visualisation des résultats.
Travaux pratiques : Validation et interprétation d’un modèle bayésien.
- Déploiement des modèles bayésiens (2 heures)
Intégration des modèles dans des applications machine learning.
Déploiement via des pipelines de données.
Travaux pratiques : Déploiement d’un modèle bayésien dans un environnement cloud.
Informations
Durée
3 jour(s)
18h
Sur demande
Formations similaires
Analyse de réseaux (graphes)
Sur demande
Analyse orientée business des logs applicatifs
Sur demande
Apache Superset (4-168)
1500 € HT
Apprentissage par renforcement, méthodes et solutions
Sur demande