Initiation au Machine Learning

Objectifs

- Se familiariser et maîtriser les règles de base du Machine Learning,

- Connaître les familles d'algorithmes et développer quelques algorithmes pour appréhender le travail sur les variables et l'optimisation des erreurs de modélisation.

- Comprendre ce que représente le Machine Learning en termes de possibilité et de savoir-faire.

- Discerner les besoins de son entreprise, là où elle peut faire monter en compétences ses propres équipes et là où il sera plus efficace de faire appel à de l'expertise externe.

 

Programme de la formation

Matin 1

Tour de table 

Définitions - Big Data et Intelligence Artificielle
Présentation et description des concepts

Big Data : la base, le media, le codage, les 6V, des exemples emblématiques du big data

 IA : les objectifs, la complexité, le niveau d'intelligence

Les enjeux économiques, sociaux, environnementaux et de souveraineté

Les entreprises data-driven

L'open-source et l'open-data

Les architectures informatiques

La régulation européenne – RGPD – DMA/DSA et l'IA Act

L'humain augmenté et les univers virtuels

Organisation de projet ML

L'évaluation de la maturité d'une organisation

La démarche agile

Le MLOps            

Matin 2

Les grands principes du Machine Learning

Les étapes de construction d'un modèle

La nature statistique des données et leurs dimensions

Les modélisations supervisées, non-supervisées et par renforcement

Les classifications et les régressions

L'évaluation des modèles, les biais et les erreurs

La préparation des variables

Les librairies python performantes

Détecter les données aberrantes

Rééchantillonner des variables

Réduire le set de variables pour un modèle, faire avec les multi-colinéarités

Traiter les classes rares


Matin 3

Les modèles de Machine
Des modèles de Machine Learning

Régression linéaire simple, multiple, polynomiale.

Régression logistique Classification hiérarchique et non hiérarchique (K-means)

Classification par arbres de décision et ensemble Random ForestMachines à vecteurs supports

Gradient Boosting

Un aperçu des modèles de Deep Learning (une autre formation y est consacrée)

Chaque modèle est accompagné d'un exemple d'algorithme pré-codé en python.


Matin 4

Prise en main des codes préparés

Modélisation sur des nouveaux jeux de données

Optimisation des différents algorithmes

Tour de table de clôture

Le découpage de la formation est proposé à titre indicatif et pourra être adapté

 

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique