Machine Learning - État de l'art
Formation créée le 18/03/2022. Dernière mise à jour le 07/10/2022.
Version du programme : 1
Programme de la formation
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable d’intégrer les principes fondamentaux du Machine Learning pour une mise en œuvre adaptée d’un projet d’Intelligence Artificielle.
Objectifs de la formation
- Comprendre les concepts d’apprentissage automatique et l’évolution du Big Data vers le Machine Learning
- Appréhender les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d’usage
- Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
- Connaitre les outils et les acteurs leaders du marché
- Découvrir les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
- Identifier les clés de réussite d'un projet intégrant du Machine Learning
Profil des bénéficiaires
Pour qui
- Dirigeants d'entreprise
- DSI
- Consultants
- Responsables informatiques
- Responsables de projets Big Data
- Toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning
Prérequis
- Avoir une culture informatique générale
- Posséder des notions de probabilités et statistiques est recommandé
Contenu de la formation
-
Présentation du Machine Learning
- Historique
- Contexte actuel
- Liens avec d'autres technologies
- Analyse descriptive, prédictive & prescriptive
- Les outils du Machine Learning
- Typologie des algorithmes
-
Collecte & préparation
- Données structurées, semi-structurées & non-structurées
- Nature statistique des données
- IoT & streaming
- Open Data : forces & faiblesses
- Corrélations & multicolinéarité
- Analyse des composantes principales
- Détection & correction des valeurs aberrantes
- ETL
- Web Scrapping
-
Présentation du marche du Machine Learning
- Les logiciels traditionnels
- Python & R
- Plateformes Cloud & solutions SaaS
- L'émergence de nouveaux métiers
- Corrélation compétences & outils
- API en ligne
- Chatbots
-
Types d'apprentissage en ML
- Apprentissage supervisé & non-supervisé
- Online Learning
- Reinforcement learning
- Autres modalités d'apprentissage
- Illustrations
-
Algorithmes
- Régression linéaire simple & multiple
- Régression polynomiale (LASSO). Séries temporelles.
- Régression logistique et applications en scoring.
- Classification hiérarchique et non hiérarchique (KMeans).
- Classification par arbres de décision ou approche Naïve Bayes.
- Ramdom Forest (développement des arbres de décision).
- Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
- Deep Learning : exemples et raisons du succès actuel.
- Text Mining : analyse des corpus de données textuelles.
-
Procédure d'entraînement et d'évaluation des algorithmes
- Séparation du jeu de données : entraînement, test et validation
- Techniques de bootstrap (bagging)
- Validation croisée
- Métrique de performance
- Descente de gradient stochastique
- Courbes ROC et de lift
- Matrice de confusion
-
Mise en production d'un algorithme de Machine Learning
- Plateforme Big Data
- API
- Développement & mise en production
- Stratégie de maintenance corrective et évolutive
- Evaluation du coût de fonctionnement en production
-
Aspects éthiques & juridiques liés à l'IA
- CNIL
- Enjeux juridiques, économiques & éthiques
- Droit d'accès aux données personnelles
- Propriété intellectuelle des algorithmes
- CDO & DPO
- Impartialité des algorithmes
- Biais de confirmation
Équipe pédagogique
Professionnel expert technique et pédagogique.
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence.
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
Ressources techniques et pédagogiques
- Espace numériques de travail
- Documents supports de formation projetés
- Exposés théoriques
- Etude de cas concrets
- Quiz en salle
- 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 enquête, taux d'interruption en cours de prestation...