Découvrir les principales étapes d'une étude de Machine Learning et un panorama des méthodes associées (Data Mining, Analyse de Données). Apprendre à extraire de l'information utile à partir de données volumineuses, changeantes, non structurées.
- Définitions du Machine Learning
- Le contexte du Machine Learning : volume des données, nature des problèmes, mélange des disciplines
- Définitions du Machine Learning et de l'Analyse de Données
- L'histoire récente
- Le processus Machine Learning
- Les étapes du “Knowledge Discovery in Databases” (KDD)
- Extraction, prétraitements et nettoyage
- Analyses exploratoires
- Visualisations
- Modélisation
- Analyse des résultats
- Intégration
- Échantillon d'apprentissage, de test et de validation
- Méthodes d'exploration graphique
- Les analyses factorielles : composantes principales, correspondances simples et multiples
- Les algorithmes de classification : arbres et centres mobiles
- Les graphiques de Bertin
- Les réseaux de neurones
- Principes des réseaux de neurones (perceptron)
- Techniques de calculs
- Applications à la résolution de nombreux problèmes dont la discrimination et la régression
- Forces et faiblesses de l'approche
- Les arbres de décision
- Principe des arbres
- Les principaux algorithmes
- Validation et élagage d'un arbre
- Quelques exemples d'applications
- Les méthodes parcimonieuses
- Régression pas à pas
- Régression LASSO
- Régression RIDGE
- Elastic Net
- Les méthodes de ré-échantillonnage
- Bagging
- Boosting
- Random Forest
- Le Text mining
- Principe et méthodes du Text mining
- Techniques factorielles, typologies et lexicométrie
- Quelques applications : documents, messages électroniques, Internet, …
- Les principaux logiciels de Machine Learning
- Bilan
Attestation de formation
Non certifiante
Sans niveau spécifique