Cette formation dresse un panorama des différents outils et techniques qui se cachent derrière ce que l’on appelle le Machine ou le Deep Learning. Sur la base de projets clients fictifs, il s’agit d’introduire et de comprendre les notions importantes afin de pouvoir les mettre en pratique plus tard.
Introduction Machine/Deep Learning
Sensibilisation / acculturation
Objectifs
- Définir et clarifier les notions de Machine et Deep Learning,
- Vous faire découvrir les différents outils et techniques utilisés pour du Machine Learning,
- En appréhender les avantages et limites,
- Être en mesure de se poser les bonnes questions pour sélectionner les techniques les plus adaptées à vos problématiques métiers pour mettre en place des outils de Machine/Deep Learning au sein de votre entreprise.
Programme de la formation
Chaque partie est construite sur le suivi d’un projet client fictif afin d’introduire les notions en réponse aux problèmes rencontrés. Un débrief est prévu à l’issue de chaque projet pour répondre aux questions, échanger et envisager les conditions d’application en cas réel sur vos problématiques.
Première demi-journée : introduction et premier cas d’usage
Projet #1 : estimation du prix de biens immobiliers
- Les étapes d’un projet Data/IA
- Modèle supervisé, régression
- Données, nettoyage, jeu d’entraînement et de test
- Modèle de régression linéaire, paramètres, entraînement, évaluation
- Régression polynômiale, sur-ajustement, compromis biais-variance
- Ajout de variables : sélection, feature engineering, standardisation, régularisation
- Limites, autres familles de modèles, problématiques de mise en production et maintenance
Enjeux et outils du Machine Learning
- Data Science/IA : mythes et réalité
- Différentes familles d’IA pour différents problèmes
- Les modèles : intelligent ou artificiels ? Que faut-il connaître ?
- Les outils du data scientist
Deuxième demi-journée : Apprentissage supervisé (classification)
Projet #2 : analyse prédictive de données médicales
- Modèle supervisé, classification binaire
- Faux positifs, faux négatifs, exactitude, précision, rappel
- Régression logistique
- k Nearest Neighbours
- SVM
Projet #3 : scoring bancaire
- Modèle supervisé, classification binaire
- Encodage des variables quantitatives
- Arbre de décision, algorithme CART
- Méthodes d’ensemble : Random Forest et Gradient Boosting
Bilan
- Comparaison des familles d’algorithmes supervisés
- Choisir et tuner un modèle en pratique
- Stacking
- Aller plus loin : références et datasets pour s’entraîner
Troisième demi-journée : Apprentissage non supervisé
Projet #4 : segmentation des clients d’un site de commerce
- Notion d’apprentissage non supervisé
- Segmentation (clustering)
- Quantifier la qualité d’une segmentation
- Algorithmes : clustering hiérarchique, kMeans, DBSCAN
- Le fléau de la dimension
Réseaux de neurones
Projet #5 : prévision du churn (attrition)
- Présentation du problème
- Réseaux de neurones
- Perceptron comme généralisation de la régression logistique
- Multi-layer percepton, Deep Learning
- Enjeux et éléments constitutifs d’un NN
- Multi-classe avec softmax
- Intérêt pour les données non structurées
- Outils et références en Deep Learning
Quatrième demi-journée : Deep Learning
Projet #6 : classification d’images
- La reconnaissance d’image
- Principe de la convolution
- Les CNN : convolutional neural networks
- GPU
- Transfer Learning
- Data augmentation
- Autres tâches : localisation, segmentation sémantique, style tranfer, GANs
Bilan et perspectives
- Le Deep Learning aujourd’hui
- Les rôles dans une équipe Data
- Debrief
- Quiz récapitulatif
- Echanges sur l’application à vos cas d’usage
Public(s) ciblé(s)
- Vous êtes ingénieur, vous menez une réflexion sur la mise en place de Machine/Deep Learning dans votre entreprise,
- Vous êtes manager, vous souhaitez acquérir une culture de base du Machine/Deep Learning pour accompagner votre équipe,
- Vous êtes développeur, vous souhaitez comprendre les enjeux et préparez une montée en compétences en Data Science, Machine Learning ou réseaux de neurones.
Prérequis
Quelques souvenirs, mêmes lointains, de vos cours de maths niveau Bac constitueront une culture de base suffisante pour appréhender cette introduction.
Certification(s)
DECIDEOM
En alliant expertises Data et IA, DecideOm propose une offre complète en matière d’optimisation et d…
- DISTANCIEL
Durée :
- 4 demie-journées de 3h30 en visioconférence
