Machine learning, méthodes et solutions (4 jours)

Objectif de la formation :

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

INTER ENTREPRISE

2 920 €
  • – Présentiel dans nos locaux ou les vôtres
  • – Distanciel Online Retrouvez-nous sur : Strasbourg, Lille, Lyon, Reims, Genève, Bruxelles, Luxembourg, Frankfort, Karlsruhe, Berlin, Metz
  • INTRA (Appelez-nous pour obtenir une offre)
Inscription

Jour 1 :

Introduction au machine learning et Procédures d'évaluation de modèles

Contenu :

  • 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 ?
    Démonstration : Prise en main de l'environnement Spark avec 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.
    - Mesures de performance des modèles prédictifs.
    - Matrice de confusion, de coût et la courbe ROC et AUC.
    Travaux pratiques : Évaluation et comparaison des différents algorithmes sur les modèles

Jour 2 :

Les modèles prédictifs, l'approche fréquentiste

Contenu :

  • Les modèles prédictifs, l'approche fréquentiste
    Apprentissage statistique.
    - Conditionnement des données et réduction de dimension.
    - Machines à vecteurs supports et méthodes à noyaux.
    - Quantification vectorielle.
    - Réseaux de neurones et deep learning.
    - Ensemble learning et arbres de décision.
    - Les algorithmes de Bandits, optimisme face à l'incertitude.
    Travaux pratiques : Mise en œuvre des familles d'algorithmes en utilisant des jeux de données variés.

Jour 3 :

Les modèles et apprentissages bayésiens

Contenu :

  • Les modèles et apprentissages bayésiens
    Principes d'inférence et d'apprentissage bayésiens.
    - Modèles graphiques : réseaux bayésiens, champs de Markov, inférence et apprentissage.
    - Méthodes bayésiennes : Naive Bayes, mélanges de gaussiennes, processus gaussiens.
    - Modèles markoviens : processus markoviens, chaînes de Markov, chaînes de Markov cachées, filtrage bayésien.
    Travaux pratiques : Mise en œuvre des familles d'algorithmes en utilisant des jeux de données variés

Jour 4 :

Machine learning en production

Contenu :

  • Machine learning en production
    Les spécificités liées au développement d'un modèle en environnement distribué.
    - Le déploiement big data avec Spark et la MLlib.
    - Le cloud : Amazon, Microsoft Azure ML, IBM Bluemix...
    - 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.

© 2026 All Rights Reserved.