Présentation de la formation Objectifs pédagogiques Identifier des cas d’usage ; Comprendre les principes fondamentaux ; Mettre en œuvre un cas pratique ; Définir une stratégie de mise en œuvre. Méthodes pédagogiques Cours magistral étoffé de cas pratiques Compétences visées Mettre en place des applications pratiques intégrant le traitement de données Moyens d'évaluation Un quiz d’évaluation des acquis est proposé en fin de formation Profil du formateur Ingénieur Conseil en analyse de données Personnel concerné Direction générale,Direction marketing/produit, Direction technique & innovation, Direction des systèmes d’information, Direction projet / Ingénieurs d’études Prérequis Aucun prérequis technique
Le programme de la formation Introduction Présentation des participants Echange sur les attentes Discussion pour choisir certaines orientations de la formation Identification de cas d’usage d’intérêt pour les ateliers Qu'est-ce que l'apprentissage machine ? Exemples d’applications et enjeux économiques Quelques exercices pour comprendre des principes fondamentaux Définition et relation avec l’algorithmie, les statistiques et l’intelligence artificielle Premiers algorithmes d'apprentissage machine K-plus proche voisins et K-means Familles d’algorithmes : régression, classification Possibilités de mise en œuvre Challenges Mise en place d'une démarche projet (partie 1) Compréhension et formalisation du problème Collecte, visualisation et préparation des données Réduction de la dimension, choix des caractéristiques et de la mesure de similarité Atelier : Par groupe, choix d’un cas d’usage d’intérêt, formalisation du problème puis présentation devant les autres groupes. Démonstration : Mise en œuvre sur un cas pratique (partie 1) Régressions Fonction hypothèse et fonction de coût Optimisation de la fonction de coût Familles d’algorithmes de régression Mise en place d'une démarche projet (partie 2) Valider et comprendre les résultats Architecture et Mise en production Logiciels libres, Plateformes et Software as a Service (PaaS, SaaS) Démonstration : Mise en œuvre sur un cas pratique (partie 2) Classification Classification supervisée et frontières de décision Classification non supervisée Eléments de probabilités conditionnelles Arbres de décision Atelier : Par groupe, définition d’une stratégie pour le cas d’usage d’intérêt choisi lors du 1er atelier. Démonstration : Mise en œuvre sur un cas pratique (partie 3) Réseaux de neurones Historique, difficultés et avancées majeures Réseaux de neurones multicouches et profonds Auto-encodeurs et réseaux de neurones convolutionnels Démonstration : Exemple d’application Séries temporelles Séries numériques et approches traditionnelles Séquences événements Fusion de capteurs Pour aller plus loin : réseaux de neurones récurrents et apprentissage par renforcement Réseaux de neurones récurrents, Réseaux à mémoire Analyse du langage naturel Démonstration : Exemple d’application Apprentissage par renforcement Démonstration : Exemples d’application Conclusion Synthèse Comment aller plus loin ? Questions et échange sur la formation
