Machine learning

Objectifs, programme, validation de la formation

Objectifs

• Découvrir les principales étapes d’une étude de Machine Learning et un panorama des méthodes associées (Data Mining, Analyse de Données).
• Apprendre à extraire de l’information utile à partir de données volumineuses, changeantes, non structurées.

Description, programmation

• Définitions du Machine Learning

• Le contexte du Machine Learning : volume des données, nature des problèmes, mélange des disciplines

• Définitions du Machine Learning et de l’analyse de données

• L’histoire récente
• Le processus Machine Learning

• Les étapes du “Knowledge Discovery in Databases” (KDD)

• Extraction, prétraitements et nettoyage

• Analyses exploratoires

• Visualisations

• Modélisation

• Analyse des résultats

• Intégration

• Échantillon d’apprentissage, de test et de validation
• Méthodes d’exploration graphique

• Les analyses factorielles : composantes principales, correspondances simples et multiples

• Les algorithmes de classification : arbres et centres mobiles

• Les graphiques de Bertin
• Les réseaux de neurones

• Principes des réseaux de neurones (perceptron)

• Techniques de calculs

• Applications à la résolution de nombreux problèmes dont la discrimination et la régression

• Forces et faiblesses de l’approche
• Les arbres de décision

• Principe des arbres

• Les principaux algorithmes

• Validation et élagage d’un arbre

• Quelques exemples d’applications
• Les méthodes parcimonieuses

• Régression pas à pas

• Régression LASSO

• Régression RIDGE

• Elastic Net
• Les méthodes de ré-échantillonnage

• Bagging

• Boosting

• Random Forest
• Le Text mining

• Principe et méthodes du Text mining

• Techniques factorielles, typologies et lexicométrie

• Quelques applications : documents, messages électroniques, Internet, …
• Les principaux logiciels de Machine Learning
• Bilan

Validation et sanction

Attestation de formation

Type de formation

Perfectionnement, élargissement des compétences

Niveau de sortie sans niveau spécifique

---

Durée, rythme, financement

Durée 28 heures en centre

Modalités de l'alternance -

Conventionnement Non

Conditions d'accès

Niveau d'entrée sans niveau spécifique

Conditions spécifiques et prérequis Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Statistique descriptive (exploratoire) : savoir décrire des observations.

Inscription

Contact renseignement Cédric ASI

---

Périodes prévisibles de déroulement des sessions

Session débutant le : 08/12/2021

Adresse d'inscription
Data Value
41 rue de la Découverte 31676 Labège

Lieu de formation

---

Organisme de formation responsable