Machine learning

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
- 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