RB3 - Machine learning, méthodes et solutions

Référence RB3

Durée 5 days

Modalité Formations catalogue

2600 €

UGS : RB3 Catégories : ,

target Objectives

Comprendre les différents modèles d'apprentissage.

Modéliser un problème pratique sous forme abstraite.

Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème.

Appliquer et évaluer les méthodes identifiées sur un problème.

Faire le lien entre les différentes techniques d'apprentissage.

tablet Prerequistes

Connaissances équivalentes à celles apportées par le stage « Big Data Analytics avec Python/R ».

check Description

Le Machine Learning couvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement à partir de données, des modèles de prédiction et de prise de décision. Vous mettrez en œuvre toute la chaîne de conception appliquée au Machine Learning dans un contexte Big Data batch et streaming.

check user Audience profile

Ingénieurs/chefs de projet souhaitant considérer les techniques d'apprentissage automatique dans la résolution de problèmes industriels.

Discover lesson plan

Introduction au Machine Learning

Le Big Data et le Machine Learning.
Les algorithmes d’apprentissage supervisés, non supervisés et par renforcement.
Les étapes de construction d’un modèle prédictif.
Détecter les valeurs aberrantes et traiter les données manquantes.
Comment choisir l’algorithme et les variables de l’algorithme ?
Travaux pratiques

Prise en main de l’environnement R/Python à l’aide de Jupyter Notebook. Visualiser plusieurs exemples de modèles fournis.

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.
Les techniques de bootstrap
La validation croisée
Définition d’une métrique de performance.
Mesures de performance des modèles prédictifs.
Matrice de confusion, de coût et la courbe ROC et AUC.
Travaux pratiques

Evaluation et comparaison des différents algorithmes sur les modèles fournis.

Les algorithmes non supervisés

Le clustering hiérarchique.
Le clustering non hiérarchique.
Les approches mixtes.
Le clustering par mesure de densité DBSCAN
Autres approches du Clustering
Travaux pratiques

Traitements de clustering non supervisés sur plusieurs jeux de données.

Les algorithmes supervisés régressions

Le principe de régression linéaire univariée.
La régression multivariée.
La régression polynomiale.
La régression régularisée.
Réseaux de neurones.
Travaux pratiques

Mise en œuvre des régressions sur plusieurs types de données.

Les algorithmes supervisés classifications

Le Naive Bayes.
La régression logistique.
Les arbres de décision
Machines à vecteurs supports et méthodes à noyaux.
Quantification vectorielle.
Travaux pratiques

Mise en œuvre des classifications sur plusieurs types de données.

Les algorithmes ensemblistes

L’ensemble de méthodes bagging
Ramdom Forest.
Les méthodes de Boosting.
L’assemblage de plusieurs modèles.
Travaux pratiques

Mise en œuvre des analyses avec un assemblage des algorithmes.

Machine Learning en production

Le cycle de vie d’un projet de machine Learning.
Les spécificités liées au développement d’un modèle en environnement distribué.
Les outils du marché pour le traitement de la donnée.
Le déploiement Big Data avec Spark et la MLlib.
Le Cloud : DataBrics, Dataiku, DataDog, Amazon, Microsoft Azure ML, IBM Watson…
La maintenance du modèle.
Travaux pratiques

Mise en production d’un modèle prédictif avec l’intégration dans des processus de batch et dans des flux de traitements.

Formations similaires