Machine Learning - État de l'art

Formation créée le 18/03/2022. Dernière mise à jour le 07/10/2022.
Version du programme : 1

Type de formation

Formation à distance

Durée de formation

14 heures (2 jours)

Machine Learning - État de l'art


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...