Artificial Intelligence - Big Data - Machine learning, méthodes et solutions

Connaissances équivalentes à celles apportées par le stage "Big Data Analytics avec Python/R".

• 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.

Le Machine Learning couvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement à partir de données, des modèles de prédiction et de prise de décision. Vous mettrez en œuvre toute la chaîne de conception appliquée au Machine Learning dans un contexte Big Data batch et streaming.

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?

Travaux pratiques:

• Prise en main de l'environnement R/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.
• Les techniques de bootstrap
• La validation croisée
• Définition d'une métrique de performance.
• Mesures de performance des modèles prédictifs.
• Matrice de confusion, de coût et la courbe ROC et AUC.

Travaux pratiques:

• Evaluation et comparaison des différents algorithmes sur les modèles fournis.

Les algorithmes non supervisés

• Le clustering hiérarchique.
• Le clustering non hiérarchique.
• Les approches mixtes.
• Le clustering par mesure de densité DBSCAN
• Autres approches du Clustering

Travaux pratiques:

• Traitements de clustering non supervisés sur plusieurs jeux de données.

Les algorithmes supervisés régressions

• Le principe de régression linéaire univariée.
• La régression multivariée.
• La régression polynomiale.
• La régression régularisée.
• Réseaux de neurones.

Travaux pratiques:

• Mise en œuvre des régressions sur plusieurs types de données.

Les algorithmes supervisés classifications

• Le Naive Bayes.
• La régression logistique.
• Les arbres de décision
• Machines à vecteurs supports et méthodes à noyaux.
• Quantification vectorielle.

Travaux pratiques:

• Mise en œuvre des classifications sur plusieurs types de données.

Les algorithmes ensemblistes

• L'ensemble de méthodes bagging
• Ramdom Forest.
• Les méthodes de Boosting.
• L'assemblage de plusieurs modèles.

Travaux pratiques:

• Mise en œuvre des analyses avec un assemblage des algorithmes.

Machine Learning en production

• Le cycle de vie d'un projet de machine Learning.
• Les spécificités liées au développement d'un modèle en environnement distribué.
• Les outils du marché pour le traitement de la donnée.
• Le déploiement Big Data avec Spark et la MLlib.
• Le Cloud: DataBrics, Dataiku, DataDog, Amazon, Microsoft Azure ML, IBM Watson...
• 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.

Notre méthode, adaptée à votre contexte, associe implication des participants et supports concrets.

Attestation de présence

En présentiel ou en classe virtuelle