Machine learning

Objectifs

Objectifs
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.
Compétences visées
- Comprendre l'intérêt du Machine Learning, branche de l'intelligence artificielle et ses apports pour l'analyse de données
- Appréhender les différentes étapes du Machine Learning, de la collecte des données à l'analyse des résultats en passant par la modélisation
- Évaluer le modèle sur un échantillon de test
- Appréhender les méthodes d'exploration graphique en Machine Learning
- Découvrir et mettre en oeuvre les réseaux de neurones
- Découvrir et mettre en oeuvre les arbres de décision
- Se familiariser avec les méthodes parcimonieuses en algorithme d'apprentissage statistique
- Connaître les méthodes de ré-échantillonnage pour évaluer la variabilité des paramètres statistiques
- Découvrir et mettre en oeuvre les méthodes du Text Mining
- Avoir une vision des principaux logiciels de Machine Learning

Programme de la formation

- 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.

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique