Programme Court Les fondamentaux du machine Learning

Direction pédagogique : Salim NAHLE

 

S'inscrire Télécharger la brochure

Format

Présentiel

Durée

5 Jour(s)

Session

Toute l'année

Coût

3500 €

Présentation

Apprenez à mettre en œuvre les principaux algorithmes de Machine Learning sur des données réelles, à analyser leurs résultats, et comparer leurs performances.

Dans cette formation, nous introduisons les algorithmes d’apprentissage statistique supervisé et non supervisé. En apprentissage supervisé, nous nous intéressons à la modélisation d’une variable cible par d’autres variables d’entrées. Selon le type de variable cible nous étudions la régression (si elle est quantitative) et la classification (si elle est qualitative). En apprentissage non supervisé, nous montrons quelques techniques de réduction de dimension et du regroupement de données (clustering).

Objectifs :

  • Connaitre ce qu’est le Machine Learning et identifier le type d’algorithme à appliquer selon les données disponibles et l’objectif de l’étude.
  • Appliquer des méthodes de régression et de classification les plus connues
  • Faire une sélection de variables afin d’obtenir les meilleurs modèles
  • Savoir représenter et interpréter les données sur des espaces de dimension réduite
  • Faire du clustering pour regrouper les données de comportement similaire

Moyens techniques

En fonction du format, distanciel via l’outil Teams, en présentiel, salle de formation équipée de postes de travail informatiques disposant de tous les logiciels nécessaires au déroulement de la formation, salle moderne climatisée, accès à l’environnement numérique Efrei.

Pédagogie & ressources

La formation s’articule autour : d’exposés, échanges, études de cas, d’outils de simulation. Le logiciel utilisé sera R (ou Python). Une partie de la formation pourra être adaptée en fonction des besoins du groupe.

Programme

Introduction au Machine Learning
Plus de détails
  • Introduction générale au Machine Learning.
  • Différence entre apprentissage supervisé et non supervisé
  • Différence entre Régression et Classification
  • Régression linéaire simple (définition de la fonction de cout ; optimisation d’une fonction de cout)
Réseaux de neurones
Plus de détails
  • Introduction aux réseaux de neurones
  • Perceptron multicouche
  • L’algorithme Backpropagation
Aspects pratique du Machine Learning
Plus de détails
  • Préparation de la donnée (ensembles d’apprentissage et de test)
  • Validation croisée
  • Métriques de calcul de la performance
  • Biais/Variance Underfitting/Overfitting
  • Regularization
Apprentissage non supervisé
Plus de détails
  • Réduction de dimension avec l’ACP Clustering (Kmeans, Hiérarchique, DBScan)
Classification
Plus de détails
  • Régression logistique
  • Arbres de décisions
  • Méthodes ensemblistes et Forets aléatoires
  • Gradient Boosting
Introduction au Machine Learning
Plus de détails
  • Introduction générale au Machine Learning.
  • Différence entre apprentissage supervisé et non supervisé
  • Différence entre Régression et Classification
  • Régression linéaire simple (définition de la fonction de cout ; optimisation d’une fonction de cout)
Aspects pratique du Machine Learning
Plus de détails
  • Préparation de la donnée (ensembles d’apprentissage et de test)
  • Validation croisée
  • Métriques de calcul de la performance
  • Biais/Variance Underfitting/Overfitting
  • Regularization
Classification
Plus de détails
  • Régression logistique
  • Arbres de décisions
  • Méthodes ensemblistes et Forets aléatoires
  • Gradient Boosting
Réseaux de neurones
Plus de détails
  • Introduction aux réseaux de neurones
  • Perceptron multicouche
  • L’algorithme Backpropagation
Apprentissage non supervisé
Plus de détails
  • Réduction de dimension avec l’ACP Clustering (Kmeans, Hiérarchique, DBScan)

Informations pratiques

  • Prérequis
    • Pratique de R et connaissance en statistique
  • Profil du participant
    • Ingénieurs et techniciens ayant besoin de méthodes d’apprentissage pour automatiser des tâches (prédiction, décision, etc.) de manière performante.
    • Chefs de projets qui souhaitent mieux identifier les tâches que le Machine Learning permettrait d’automatiser.
  • Modalités d'évaluation
    • Évaluation des acquis tout au long de la session par des travaux pratiques.

    Sanction de la formation :

    • Une attestation de fin de formation résumant les objectifs visés par la formation est remise au participant à l’issue de la formation.

     

Intra-entreprise

Vous souhaitez adapter cette formation aux besoins spécifiques de votre organisation et pour vos collaborateurs ?

Nous pouvons décliner ce programme au format intra-entreprise pour vos équipes.

En savoir plus

Rejoindre Efrei Executive Education

Cette formation vous intéresse ?

S'inscrire Télécharger la brochure