Description
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable d’intégrer les principes fondamentaux du Machine Learning pour une mise en œuvre adaptée d’un projet d’Intelligence Artificielle.
Objectifs pédagogiques
- Comprendre les concepts d’apprentissage automatique et l’évolution du Big Data vers le Machine Learning
- Appréhender les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d’usage
- Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
- Connaitre les outils et les acteurs leaders du marché
- Découvrir les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
- Identifier les clés de réussite d'un projet intégrant du Machine Learning
Public concerné
Dirigeants d'entreprise
DSI
Consultants
Responsables informatiques
Responsables de projets Big Data
Toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning
Prérequis
Avoir une culture informatique générale
Posséder des notions de probabilités et statistiques est recommandé
Déroulé du programme
1
Présentation du Machine Learning
- Historique
- Contexte actuel
- Liens avec d'autres technologies
- Analyse descriptive, prédictive & prescriptive
- Les outils du Machine Learning
- Typologie des algorithmes
2
Collecte & préparation
- Données structurées, semi-structurées & non-structurées
- Nature statistique des données
- IoT & streaming
- Open Data : forces & faiblesses
- Corrélations & multicolinéarité
- Analyse des composantes principales
- Détection & correction des valeurs aberrantes
- ETL
- Web Scrapping
3
Présentation du marche du Machine Learning
- Les logiciels traditionnels
- Python & R
- Plateformes Cloud & solutions SaaS
- L'émergence de nouveaux métiers
- Corrélation compétences & outils
- API en ligne
- Chatbots
4
Types d'apprentissage en ML
- Apprentissage supervisé & non-supervisé
- Online Learning
- Reinforcement learning
- Autres modalités d'apprentissage
- Illustrations
5
Algorithmes
- Régression linéaire simple & multiple
- Régression polynomiale (LASSO). Séries temporelles.
- Régression logistique et applications en scoring.
- Classification hiérarchique et non hiérarchique (KMeans).
- Classification par arbres de décision ou approche Naïve Bayes.
- Ramdom Forest (développement des arbres de décision).
- Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
- Deep Learning : exemples et raisons du succès actuel.
- Text Mining : analyse des corpus de données textuelles.
6
Procédure d'entraînement et d'évaluation des algorithmes
- Séparation du jeu de données : entraînement, test et validation
- Techniques de bootstrap (bagging)
- Validation croisée
- Métrique de performance
- Descente de gradient stochastique
- Courbes ROC et de lift
- Matrice de confusion
7
Mise en production d'un algorithme de Machine Learning
- Plateforme Big Data
- API
- Développement & mise en production
- Stratégie de maintenance corrective et évolutive
- Evaluation du coût de fonctionnement en production
8
Aspects éthiques & juridiques liés à l'IA
- CNIL
- Enjeux juridiques, économiques & éthiques
- Droit d'accès aux données personnelles
- Propriété intellectuelle des algorithmes
- CDO & DPO
- Impartialité des algorithmes
- Biais de confirmation
Informations
Durée
2 jour(s)
14h
Tarif
1500 € HT
HT
Formations similaires
IA & Data
Migration vers le Cloud
2 jour(s)
Sur demande
IA & Data
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
3 jour(s)
Sur demande
IA & Data
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
1 jour(s)
Sur demande
IA & Data
Analyse des données avec Microsoft Power BI (4-167)
3 jour(s)
2200 € HT