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

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