Intelligence artificielle - Data Mining et Machine Learning (4-022)
Description
Objectif général de la formation : Acquérir les compétences nécessaires pour utiliser le Data Mining et le Machine Learning dans l’analyse de données volumineuses et la résolution de problèmes complexes en entreprise. 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 visé : Application Compétences visées : Maîtriser les concepts clés du Data Mining et du Machine Learning. Appliquer des techniques d’apprentissage supervisé et non supervisé. Construire et optimiser des modèles prédictifs adaptés aux besoins professionnels. Transformer des données volumineuses et hétérogènes en informations exploitables.
Objectifs pédagogiques
- Maîtriser le Data Mining et le Machine Learning pour explorer de très importants volumes de données.
- Construire des modèles répondant aux problèmes très variés des entreprises.
- Comprendre les différences entre apprentissage automatique supervisé, non supervisé et méta-apprentissage.
- Savoir transformer de gros volumes de données hétérogènes en informations utiles
Public concerné
Prérequis
Déroulé du programme
Jour 1 : Introduction au Data Mining et Machine Learning (6 heures)
- Concepts fondamentaux (2 heures)
Définition et rôle du Data Mining et du Machine Learning.
Comparaison entre apprentissage supervisé, non supervisé et méta-apprentissage.
Études de cas : Exemples concrets d’applications en entreprise.
- Préparation des données (2 heures)
Techniques de nettoyage, transformation et intégration des données.
Gestion des données hétérogènes et volumineuses.
Travaux pratiques : Préparer un jeu de données pour une analyse prédictive.
- Outils et bibliothèques (2 heures)
Présentation des outils : Scikit-learn, TensorFlow, PyTorch.
Installation et configuration des environnements Python.
Démonstrations : Utilisation des bibliothèques pour un premier modèle.
Jour 2 : Construction et optimisation de modèles (6 heures)
- Modèles supervisés (3 heures)
Régressions, arbres de décision, forêts aléatoires et machines à vecteurs de support (SVM).
Critères d’évaluation des performances des modèles (précision, rappel, etc.).
Travaux pratiques : Construire et évaluer un modèle supervisé.
- Modèles non supervisés (3 heures)
Analyse en clusters : k-means, DBSCAN.
Réduction de dimensionnalité avec PCA (Analyse en Composantes Principales).
Travaux pratiques : Appliquer une analyse en clusters sur un grand jeu de données.
Jour 3 : Applications avancées et mise en pratique (6 heures)
- Applications en entreprise (3 heures)
Détection de fraudes, personnalisation, prévision des ventes.
Études de cas spécifiques à des secteurs (finance, santé, retail).
Discussions : Identifier les opportunités d’application du Machine Learning.
- Projet final : Analyse complète (3 heures)
Préparation des données, choix des modèles, entraînement et évaluation.
Présentation des résultats et recommandations.
Travaux pratiques : Réaliser un projet complet de bout en bout.
Informations
Durée
3 jour(s)
18h
1350 € HT
HT
Prochaines sessions
Formations similaires
Migration vers le Cloud
Sur demande
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
Sur demande
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
Sur demande
Analyse des données avec Microsoft Power BI (4-167)
2200 € HT