Big Data : récolte et analyse de données volumineuses module Machine Learning

• BIG DATA : Récolte et analyse de données volumineuses - Code CertifInfo 93835
  • Niveau de qualification : Sans équivalence de niveau

Objectifs

• Comprendre le Big Data et ses enjeux
• Identifier les besoins et la problématique des directions métiers
• Construire des modèles prédictifs pour répondre à la problématique
• Construire des algorithmes pour améliorer les résultats de recherches et de ciblage
• Trouver et rassembler l'ensemble des sources de données structurées ou non structurées nécessaire à l'analyse pertinente
• Faire des recommandations business qui vont servir à la prise de décision et influencer la stratégie de l'entreprise
• Développer des métriques pertinentes d'aide à la décision
• Développer une vision globale des risques et des outils
• Identifier les opportunités à travers l'open data et les cas d'usage métiers
• Acquérir le vocabulaire lié à cet écosystème complexe
• Adapter la stratégie d'entreprise
• Concevoir un projet Big Data et acquérir les technologies (acquisition et stockage des données, traitement distribué, analyse de données à large échelle)
• Maîtriser les technologies par des études de cas concrètes
• Maîtriser les enjeux juridiques et liés à la protection des données

Programme de la formation

Jour 1
Faire de l'apprentissage automatique via des outils Open Source
Présentation du Machine Learning et de ses possibilités:
• Les fondamentaux
• Apprendre à formaliser les problématiques
• Exemple du Data Science en entreprise
Créer un premier Problème Prédictif:
• Techniques d'apprentissage(les plus proches voisins, modèles Linéaire, arbre de décision, …)
• Révision des bases de la programmation
• Apprentissage d'un modèle avec librairie Open Source
Préparation des données afin de les utiliser dans un système d'apprentissage:
• Présentation du feature Engineering et les limites
• Technique d'exploration de données
• Procédure de Prétraitement et de nettoyage
Jour 2
Apprendre à évaluer et déployer des modèles prédictifs
Apprendre à évaluer des modèles prédictifs :
• Création des jeux d'apprentissage, mise en place de leur validation et test.
• Tester la représentativité des données
• Mesure de performance des modèles prédictifs
• Apprendre à faire une matrice de confusion et de coût
Apprendre à Sélectionner les modèles
• Déterminer l'exactitude des prédictions avec les ensembles de modèles
• Apprendre à créer des arbres de décisions
Apprendre à déployer :
• Déterminer l'importance des APIs en production.
• Vue d'ensemble des solutions Open Source
• Apprendre à créer des APIs
• Apprendre à Gérer l'authentification
• Savoir utiliser Amazon Machine Learning et BigML
Utilisation du ML sur du texte:
• Conseils de prétraitement des données textuelles
• Mise en pratique avec la librairie open source NLTK
Jour 3
Aller plus loin avec le Machine Learning
Techniques avancées:
• Principe du Gradient Boosting et utilisation de la librairie open source XGBoost
• Pipelines de Machine learning: enrichissement et sélection de features, modélisation
• Techniques d'optimisation des paramètres de pipelines de Machine learning: grid search, random search et utilisation de la librairie open source hyperopt
• Autres problèmes d'apprentissage:
• Réseaux de neurones et Deep Learning:
• Développer son propre cas d'usage:

Validation et sanction

Certification

Type de formation

Certifiante

Sortie

Sans niveau spécifique