Retour

Formation "Machine Learning"

Prédiction et prise de décision

Mis à jour le
Modélisation - méthodes statistiques Autre filière
Cette formation permet de mettre en œuvre les principaux algorithmes sur des données réelles, analyser leurs résultats et comparer leurs performances.

Les objectifs

  • Expliquer les différents modèles d'apprentissage
  • Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème

Public :

Tout public

Pré-requis

Posséder de bonnes notions de programmation avec R

Disposer des connaissances de base en statistiques, en particulier la régression et classification.

Programme

Introduction

  • Définition et historique
  • Modélisation et apprentissage automatique
  • Apprentissage supervisé et non supervisé

Procédure d'apprentissage

  • Choix de la méthode
  • Phénomène de sous-apprentissage et sur-apprentissage (Underfitting/Overfitting)
  • Validation croisée, validation externe
  • Comparaison de modèles

Principaux algorithmes

  • Régression :
    • régression linéaire
    • fonction coût / perte 
    • optimisation (descente du gradient) 
    • méthodes de régression : multiple, ridge, Lasso, ElasticNet, PLS
  • Classification :
    • régression logistique
    • support Vector Machine 
    • arbres de décision
    • forêts aléatoires 
    • KNN
  • Clustering :
    • K-means
    • spectral clustering
    • DBSCAN

Evaluation des acquis

Questionnaire

Méthodes pédagogiques

Exposés et échanges

Étude de cas pratiques sous R

Responsable pédagogique

pers
Mohammed El Jabri
Data Analyst / Statisticien

Pour en savoir plus...

Conditions Générales de Vente Personnes handicapées Règlement intérieur