Aller au contenu principal
Afficher le fil d'ariane

AJC FORMATION : 20. Machine learning, l'état de l'art

Organisme

AJC FORMATION
6 RUE ROUGEMONT
75009 PARIS 9
Voir toutes ses formationsAutres organismes proposant cette formation

Durée

14 heures

Modalités

Formation

  • Classe virtuelle
  • Présentiel

Évaluation

Evaluation des acquis : Les apprenants réalisent tout au long de la formation des exercices, QCM, mises en situation, TP, TD qui seront corrigés pour faciliter l’acquisition de compétences

Prix

Inter
La formation en Inter est dispensée pour un groupe de salariés d’entreprises différentes.
700€ HT / personne
Intra
La formation en Intra est dispensée pour un groupe de salariés d’une seule et même entreprise.
3060€ HT / groupe
4 stagiaires minimum

Public

Toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning : dirigeants d'entreprise, DSI, responsables informatiques, consultants, responsables de projets Big Data…

Pré-requis

Avoir une culture informatique générale. Posséder des notions de probabilités et statistiques est recommandé.  

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

Programme détaillé

Histoire du Machine Learning et contexte du Big Data

▪ Replacer à leur échelle les concepts d'Intelligence Artificielle, apprentissage automatique (machine learning)...

▪ Le lien avec les mathématiques, les statistiques (inférentielles), le data

mining et la data science

▪ Passer de l'analyse descriptive à l'analyse prédictive puis prescriptive

▪ Les applications du Machine Learning (moteurs de recherche, détection

des spams, lecture des chèques)

▪ La typologie des algorithmes de Dominique CARDON

▪ La communauté Data Science et les challenges Kaggle (ex. de Netflix)

 

Les données à disposition : collecte et préparation

▪ Données structurées, semistructurées et non structurées

▪ Nature statistique des données (qualitatives ou quantitatives)

▪ Objets connectés (IoT) et streaming

▪ Opportunités et limites de l'Open Data

▪ Identification des corrélations, problème de la multicolinéarité

▪ Réduction des dimensions par Analyse des Composantes Principales

▪ Détection et correction des valeurs aberrantes

▪ Les ETL (Extract Transform Load)

 

▪ Le Web scraping

Travaux pratiques : Identification de la structure de la donnée à récupérer pour

normalisation

 

Les outils du marché pour le traitement de la donnée et le Machine Learning

▪ Les logiciels traditionnels (SAS, SPSS, Stata...) et leur ouverture à l'Open Source

▪ Choisir entre les deux leaders Open Source : Python et R

▪ Plateformes Cloud (Azure, AWS, Google Cloud Platform) et solutions

SaaS (IBM Watson, Dataïku)

▪ Nouveaux postes en entreprises : data engineer, data scientist, data analyst, etc.

▪ Associer les bonnes compétences à ces différents outils

▪ Les API en ligne (IBM Watson, Microsoft Cortana Intelligence...)

▪ Les chatbots (agents conversationnels)

Travaux pratiques : Choix d’un outil pour la récupération, le traitement et la prédiction

 

Les différents types d'apprentissage en Machine Learning

▪ Apprentissage supervisé : répéter un exemple

▪ Apprentissage non supervisé : découvrir les données

▪ Online (Machine) Learning par opposition aux techniques batch

▪ Reinforcement learning : optimisation d'une récompense

▪ Autres types d'apprentissage (par transfert, séquentiel, actif...)

▪ Illustrations (moteurs de recommandation...)

Travaux pratiques : Choix d’un type d’apprentissage

 

Les algorithmes du Machine Learning

▪ Régression linéaire simple et multiple. Limites des approches linéaires

▪ 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

▪ RamdomForest (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

Travaux pratiques : Réalisation d’un algorithme de prédiction

Procédure d'entraînement et d'évaluation des algorithmes:

▪ Séparation du jeu de données : entraînement, test et validation

▪ Techniques de bootstrap (bagging)

▪ Exemple de la validation croisée

▪ Définition d'une métrique de performance

▪ Descente de gradient stochastique (minimisation de la métrique)

▪ Courbes ROC et de lift pour évaluer et comparer les algorithmes

▪ Matrice de confusion : faux positifs et faux négatifs

 

Travaux pratiques : Elaboration d’un programme d’entrainement et d’évaluation

 

Mise en production d'un algorithme de Machine Learning

▪ Description d'une plateforme Big Data

▪ Principe de fonctionnement des API

▪ Du développement à la mise en production

▪ Stratégie de maintenance corrective et évolutive

▪ Evaluation du coût de fonctionnement en production

 

Aspects éthiques et juridiques liés à l'Intelligence Artificielle

▪ Missions de la CNIL et évolutions à venir

▪ Question du droit d'accès aux données personnelles

▪ Question de la propriété intellectuelle des algorithmes

▪ Nouveaux rôles dans l'entreprise : Chief Data Officer et Data Protection Officer

▪ Question de l'impartialité des algorithmes

▪ Attention au biais de confirmation

▪ Les secteurs et les métiers touchés par l'automatisation

Travaux pratiques : Elaboration d’une chaine de mise en production de l’algorithme de prédictions et stockage  des données prédites

 

 

 

 

 

 

 

 

 

 

Sessions

Filtrer les résultats

63 résultats

Modalités pédagogiques
Formation synchrone se déroulant avec la présence physique du (des) formateur(s) et du (des) apprenant(s) réunis dans un même lieu de formation.
Formation combinant des séquences en présentiel et des séquences à distance synchrones ou asynchrones.
Formation à distance, asynchrone, s’appuyant sur une plateforme d’apprentissage, pouvant être complétée par d’autres modalités de formation à distance (visio-conférence…)
Formation à distance, synchrone, s’appuyant sur un dispositif de visio-conférence. La classe virtuelle recrée à distance les conditions d’une formation en salle traditionnelle.
Type de formation
La formation en Inter est dispensée pour un groupe de salariés d’entreprises différentes.
La formation en Intra est dispensée pour un groupe de salariés d’une seule et même entreprise.
Options
Ces sessions ne peuvent être ni annulées ni reportées par l’organisme de formation.

0 résultat