IA & Data

Machine Learning - Méthodes et solutions

4 jour(s) • 28h

Description

Objectif de formation : Le stagiaire apprendra durant cette formation à implémenter divers algorithmes et appréhendera les bonnes pratiques pour un projet ML

Objectifs pédagogiques

Appréhender les principaux modèles d'apprentissage
Savoir modéliser un problème pratique sous forme abstraite
Être capable de créer des comparatifs entre les méthodes d'apprentissage et de sélectionner la méthode adaptée à la situation
Implémenter et mesurer l'impact des méthodes identifiées sur un problème
Créer des liaisons entre les différentes techniques d'apprentissage

Public concerné

Ingénieurs

Chefs de projet

Prérequis

Connaissances de base en Python

Notions fondamentales en statistiques

Déroulé du programme

Premiers pas avec le Machine Learning

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

Procédures d'évaluation de modèles

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

Modèles prédictifs & approche fréquentiste

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

Les modèles et apprentissages bayésiens

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

Machine Learning en production

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