Big Data - Data classification
Formation créée le 21/02/2023. Dernière mise à jour le 16/03/2023.
Version du programme : 1
Programme de la formation
Objectif de formation : Appréhender le Machine Learning du point de vue du traitement de la donnée ainsi qu’au processus de modélisation statistique
Objectifs de la formation
- Savoir définir les étapes de préparation des données
- Comprendre et mettre en oeuvre l’apprentissage automatique
- Appréhender les techniques de classification de données
- Comprendre les apports des réseaux de neurones et du Deep Learning
Profil des bénéficiaires
Pour qui
- Chefs de projets
- Développeurs
- Data scientists
- Architectes
Prérequis
- Connaissances des principes du Big Data et des architectures techniques
Contenu de la formation
-
Introduction
- Zoom sur les données
- Présentation des requêtes
- Attentes des utilisateurs
- Étapes de la préparation des données
- Définitions, présentation du data munging
- Rôle du data scientist
-
Gouvernance des données
- Qualité des données
- Transformation de l’information en donnée
- Qualification et enrichissement
- Sécurisation et étanchéité des lacs de données
- Flux de données et organisation dans l’entreprise
- Donnée maître à la donnée de travail
- Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
-
Traitements statistiques de base
- Introduction aux calculs statistiques
- Paramètres des fonctions
- Applications aux fermes de calculs distribués
- Problématiques induites
- Approximations
- Précision des estimations
-
Data Mining
- Besoin, apports et enjeux
- Extraction et organisation des classes de données
- Analyse factorielle
-
Machine Learning
- Apprentissage automatique
- Définition & les attentes par rapport au Machine Learning
- Valeurs d’observation et variables cibles
- Ingénierie des variables
- Apprentissage supervisé et non supervisé
- Classification des données
- Panorama des différents algorithmes
- Conception de jeux d’essai, entraînement et construction de modèles
- Prévisions à partir de données réelles
- Mesure de l’efficacité des algorithmes
- Courbes ROC
- Parallélisation des algorithmes. Choix automatique.
-
IA
- Introduction aux réseaux de neurones
- Réseaux de neurones à convolution
- Modèles de CNN
- Types de couches
- Deep Learning & Deeplearning4j sur Spark
-
Risques & erreurs à éviter
- Importance de la préparation des données
- Surapprentissage
-
Visualisation des données
- Intérêt de la visualisation
- Outils disponibles
Équipe pédagogique
Professionnel expert technique et pédagogique.
Suivi de l'exécution et évaluation des résultats
- Émargement numérique
- Mises en situation
- Formulaires d’évaluation de la formation
- Certificat de réalisation de l’action de formation
Ressources techniques et pédagogiques
- Espace intranet de formation
- Documents supports de formation projetés
- Exposés théoriques
- Étude de cas concrets
- Mise à disposition en ligne de documents supports à la suite de la formation
Qualité et satisfaction
Taux de satisfaction des apprenants, nombre d'apprenants, taux et causes des abandons, taux de retour des enquêtes, taux d'interruption en cours de prestation...