Machine learning

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 œuvre les réseaux de neurones

- Découvrir et mettre en œuvre 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 œuvre les méthodes du Text Mining

- Avoir une vision des principaux logiciels de Machine Learning

Programme de la formation

Programme

- 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