Machine Learning - Méthodes et solutions
Formation créée le 20/05/2022. Dernière mise à jour le 10/10/2022.
Version du programme : 1
Programme de la formation
Objectif de formation : Le stagiaire apprendra durant cette formation à implémenter divers algorithmes et appréhendera les bonnes pratiques pour un projet ML
Objectifs de la formation
- Appréhender les principaux modèles d'apprentissage
- Savoir modéliser un problème pratique sous forme abstraite
- Être capable de créer des comparatifs entre les méthodes d'apprentissage et de sélectionner la méthode adaptée à la situation
- Implémenter et mesurer l'impact des méthodes identifiées sur un problème
- Créer des liaisons entre les différentes techniques d'apprentissage
Profil des bénéficiaires
Pour qui
- Ingénieurs
- Chefs de projet
Prérequis
- Connaissances de base en Python
- Notions fondamentales en statistiques
Contenu de la formation
-
Premiers pas avec le Machine Learning
- Big Data & Machine Learning
- Présentation des différents algorithmes d'apprentissage : supervisés, non supervisés et par renforcement
- Jalons de construction d'un modèle prédictif
- Détection des valeurs aberrantes et traitement les données manquantes
- Choix de l'algorithme et des variables de l'algorithme
-
Procédures d'évaluation de modèles
- Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test
- Test de représentativité des données d'apprentissage
- Mesures de performance des modèles prédictifs
- Matrice de confusion, de coût et la courbe ROC et AUC
- Travaux pratiques : évaluation et comparaison des différents algorithmes sur les modèles fournis
-
Modèles prédictifs & approche fréquentiste
- Apprentissage statistique
- Conditionnement des données & réduction de dimension
- Machines à vecteurs supports & méthodes à noyaux
- Quantification vectorielle
- Réseaux neuronaux & deep Learning
- Ensemble learning & arbres de décision
- Algorithmes de Bandits, optimisme face à l'incertitude
- Travaux pratiques : Création de familles d'algorithmes à l'aide de différents jeux de données
-
Les modèles et apprentissages bayésiens
- Principes d'inférence et d'apprentissage bayésiens
- Modèles graphiques
- Méthodes bayésiennes
- Modèles markoviens
- Travaux pratiques : Utilisation des modèles et apprentissages bayésiens sur différents jeux de données
-
Machine Learning en production
- Particularités dues aux environnements distribués
- Présentation des outils Spark et MLlib pour le déploiement
- Technologies du cloud avec le Machine Learning
- Maintenance du modèle
- Travaux pratiques : Implémentation en production d'un modèle prédictif avec l'intégration dans des processus de batch et dans des flux de traitements
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 numérique 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 enquêtes, taux d'interruption en cours de prestation.