Machine learning | L'état de l'art Mixte : présentiel / à distance

• Actions Collectives OPCO Atlas
  Cette formation peut être prise en charge à 100% dans le cadre des Actions Collectives.
  Pour en bénéficier, contactez-nous à hello.institute@docaposte.fr et complétez votre inscription sur campusAtlas.

En savoir plus sur les dispositifs de financement

• Comprendre les concepts d'apprentissage automatique et l'évolution du big data vers l'apprentissage automatique
• Comprendre les défis de l'utilisation de l'apprentissage automatique, y compris les avantages attendus et les cas d'utilisation
• Identifier la place du machine learning dans la chaîne de traitement des données
• Connaître les principaux outils et acteurs du marché
• Passer en revue les algorithmes clés et les approches de projet à appliquer en fonction de votre cas d'utilisation métier
• Identifier les clés du succès des projets qui intègrent le machine learning

Introduction et historique

• Processus complet d'élaboration d'un modèle prédictif
• Prétraitement des données (données manquantes, aberrantes, sélection de variables pertinentes…)
• Introduction à l'apprentissage supervisé et non supervisé
• Introduction à la classification et la régression
• Le principe du partitionnement des données en données d'apprentissage et données de test
• Évaluation de l'apprentissage, matrice de confusion et métrique

Arbres de décision

• L'apprentissage par partitionnement
• Construction d'un arbre de décision sur un jeu de données synthétique
• Principaux points à considérer lors de l'induction d'un arbre de décision à partir de données
• CHAID, C4.5 et CART : Les trois principales méthodes d'induction d'arbres proposés dans les logiciels
• Les différences et les points communs

Arbres de régression

• La régression par arbres
• Une méthode non-linéaire de régression
• Rapprochement avec les arbres de décision

Analyse discriminante prédictive

• Un modèle paramétrique de discrimination
• Analyse discriminante de Fisher
• Évaluation globale du modèle
• Évaluation individuelle des variables

Régression logistique

• Le modèle LOGIT
• Estimation, évaluation globale et évaluation individuelle des variables
• Régression logistique polytomique
• Régression logistique lorsque la variable dépendante Y prend plus de 2 valeurs
• Régression logistique multinomiale lorsque Y est nominale
• Régression logistique polytomique ordinale lorsque Y est ordinale (odds adjacents, odds cumulatifs proportionnels)

Classifieur bayesien naïf (modèle d'indépendance conditionnelle)

• Principe de l'indépendance conditionnelle
• Cas des prédicteurs continus
• Cas des prédicteurs discrets
• Construction d'un modèle explicite linéaire
• Sélection de variables

Bagging, random forest, boosting

• Méthodes ensemblistes basées sur des apprentissages répétés
• Boosting : principe et variantes
• Principe du Bagging
• Random Forst : principe et variantes
• Mesures d'importance des variables – Impact sur le biais et la variance des classifieurs

Gradient boosting

• Généralisation du boosting avec l'introduction explicite de fonctions de coûts
• Importance du paramétrage

Support Vector Machine (SVM)

• Principe de Machines à vecteurs de support ou Séparateur à Vaste Marge
• Principe de la maximisation de la marge
• Marge souple (soft margin)
• Classifieurs linéaires et classifieurs non-linéaires avec l'astuce du noyau (kernel trick)
• Fonction Noyau

Réseaux de neurones – perceptron simple et multi-couches

• Introduction aux réseaux de neurones artificiels pour l'apprentissage supervisé
• La Perceptron
• Passage du modèle linéaire au modèle non-linéaire : le perceptron multicouches

Apprentissage non supervisé

• Principe du clustering (K moyennes ou k means)
• Principe de la Classification Ascendante Hiérarchique (CAH)
• Règles d'association

Discrétisation des variables quantitatives

• Découpage en classe d'une variable quantitative
• Méthodes non-supervisées et supervisées (chi-merge, mdlpc)

Filtrage des variables

• Approche FILTRE préalable à l'apprentissage supervisé
• Techniques de classement (ranking)
• Techniques de sélection basées sur la corrélation
• Information mutuelle, entropie de Shannon, rapport de corrélation, lambda de Wilks

Induction de règles prédictives

• Construction de bases de règles en analyse prédictive
• Conversion des arbres en règles et algorithmes génétiques pour l'induction de règles

Scoring – le ciblage marketing

• Le ciblage clientèle
• Construction et lecture de la courbe LIFT (GAIN CHART)

Analyse RFM (récence – fréquence – montant)

• Segmentation RFM (récence-fréquence-montant)
• Finalité, démarche, usage, variantes, limites

Grille de score

• Élaboration de la grille de score à partir des résultats de la régression logistique
• Méthode Disqual et scoring

Intégration des coûts de mauvais classement en apprentissage supervisé

• Prise en compte des coûts pour l'évaluation et la construction des modèles prédictifs
• Correction des règles d'affectation, techniques intégrées, bagging, la méthode MetaCost
• Courbe ROC
• Évaluation d'un classifieur à l'aide de la courbe ROC
• Le critère AUC

Quelques méthodes non-paramétriques de discrimination

• Deux méthodes non-paramétriques de classement dérivés du schéma Bayesien la méthode des K-plus proches voisins et le modèle d'indépendance conditionnelle

Tirage rétrospectif et redressement des résultats échantillonnage non-représentatif

• Modification du seuil d'affectation basé sur le score
• Utilisation de la courbe ROC à cet effet

Normalisation des scores

• Rendre comparable des scores fournis par des méthodes différentes
• Ramener dans l'intervalle [0 ; 1] et harmonisation des distributions
• Diagramme de fiabilité

Méthodes de ré-échantillonnage pour l'évaluation des performances

• Inadéquation de l'évaluation en re-substitution
• Le schéma apprentissage-test
• Les techniques de ré-échantillonnage : validation croisée, leave-one-out, bootstrap
• Comparaison des performances des techniques supervisées
• Diagramme de fiabilité

• Ingénieurs et techniciens ayant besoin de méthodes d'apprentissage pour automatiser des tâches (prédiction, décision, etc.) de manière performante,
• Chefs de projets qui souhaitent mieux identifier les tâches que le machine learning permettrait d'automatiser,
• Toute personne ayant déjà été sensibilisée par le Data Mining et intéressée par les méthodes d'apprentissage

• Admission sans disposition particulière

• Avoir une culture informatique générale,
• Posséder des notions de probabilités et statistiques est recommandé. 

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• En individuel (monitorat)
• En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.