Formation
Algorithme d’Apprentissage Automatique – Fondamentaux du Machine-Learning
La formation en quelques mots
Cette formation s'adresse à des personnes souhaitant découvrir les concepts et les applications de l’apprentissage automatique (Machine Learning) et la mise en oeuvre de quelques algorithmes majeurs.
Les objectifs de cette formation sont de comprendre les enjeux du Machine Learning et les principes de ses méthodes ainsi que la construction de quelques modèles prédictifs illustrant les principales applications.
A travers cette formation, vous monterez en compétences sur :
• Le champ d'application des algorithmes de machine learning,
• Les familles de méthodes,
• Les principes mathématiques sous-jacents,
• La mise en oeuvre des algorithmes sous R.
Pré-requis
Programme pédagogique simplifié
Cette formation s’adresse à des personnes souhaitant :
- Découvrir les concepts et les applications du Deep Learning et la mise en œuvre de quelques algorithmes majeurs comme les réseaux neurones et le modèle convolutif,
- Comprendre la mise en œuvre d’une tâche d’apprentissage,
- Exploiter des modèles existants dans un objectif de visualisation de données.
A travers cette formation, vous monterez en compétences sur :
- Le champ d’application des algorithmes de Deep Learning,
- Les concepts sous-jacents,
- La mise en œuvre des algorithmes,
- L’exploitation des modèles.
Objectifs pédagogiques
A l’issue de cette formation, le stagiaire sera capable de :
- Définir les objectifs sous-jacents au data mining et au machine learning,
- Expliquer le concept d’apprentissage automatique,
- Maîtriser le vocabulaire spécifique : notions d’apprentissage supervisé, non supervisé, par renforcement,
- Définir les familles de méthodes : contexte, principes et champs d’application,
- Mettre en oeuvre sous R et interpréter les résultats des méthodes suivantes : K-means, règles d’association, arbres de décision et de régression, random Forest, classification naïve bayésienne, Support Vector Machine (SVM), Gradient Boosting,
- Evaluer la qualité du modèle,
- Définir une méthode d’apprentissage des modèles,
- Préparer les données : gestion des données manquantes et des classes « rares », réduction de dimension, choix des variables du modèle.