Data Classification et Machine Learning

Ces 2 jours de formation vous permettront d’appréhender le machine learning (aussi appelé apprentissage automatique en français). Une fois que le ou la Data Scientist a effectué son travail de collecte, de nettoyage et d’exploration des données, il s’attaque à la partie de modélisation statistique.

C’est ce processus que nous allons explorer ensemble dans cette formation au machine learning, un ensemble de techniques puissantes permettant de créer des modèles prédictifs à partir de données, sans avoir été explicitement programmées.

• Définir les étapes de préparation des données, et les algorithmes de Machine Learning.
• Organiser le traitement des données et structurer les processus de Machine Learning.

Introduction

• Zoom sur les données: format, volumes, structures, …
• et les requêtes, attentes, des utilisateurs
• Étapes de la préparation des données
• Définitions, présentation du data munging
• Le rôle du data scientist

Étude de cas

• Mise en oeuvre pratique des différentes phases: nettoyage, enrichissement, organisation des données.

Machine Learning

• Définition, les attentes par rapport au Machine Learning
• Les valeurs d’observation, et les variables cibles
• Ingénierie des variables

Apprentissage automatique

• Les méthodes: apprentissage supervisé et non supervisé
• Classification des données
• Algorithmes: régression linéaire, k-voisins,classification naïve bayésienne, arbres de décision, etc..

Les risques et écueils

• Importance de la préparation des données
• L’écueil du "surapprentissage"

Visualisation des données

• L’intérêt de la visualisation
• Outils disponibles
• Exemples de visualisation avec R et Python

Une attestation de participation sera transmise aux participants