Big Data : récolte et analyse de données volumineuses module Machine Learning

• Acquérir les bases du Machine Learning • Apprendre à créer les modèles et les mettre en production • Comprendre les possibilités du Machine Learning • Formaliser son problème de Machine Learning • Apprendre à Manipuler les données • Apprendre à construire des modèles prédictifs • Apprendre à utiliser ces modèles en production • Apprendre à évaluer les performances

Jour 1 Faire de l'apprentissage automatique via des outils Open Source Présentation du Machine Learning et de ses possibilités: • Les fondamentaux • Apprendre à formaliser les problématiques • Exemple du Data Science en entreprise Créer un premier Problème Prédictif: • Techniques d'apprentissage(les plus proches voisins, modèles Linéaire, arbre de décision, …) • Révision des bases de la programmation • Apprentissage d'un modèle avec librairie Open Source Préparation des données afin de les utiliser dans un système d'apprentissage: • Présentation du feature Engineering et les limites • Technique d'exploration de données • Procédure de Prétraitement et de nettoyage Jour 2 Apprendre à évaluer et déployer des modèles prédictifs Apprendre à évaluer des modèles prédictifs : • Création des jeux d'apprentissage, mise en place de leur validation et test. • Tester la représentativité des données • Mesure de performance des modèles prédictifs • Apprendre à faire une matrice de confusion et de coût Apprendre à Sélectionner les modèles • Déterminer l'exactitude des prédictions avec les ensembles de modèles • Apprendre à créer des arbres de décisions Apprendre à déployer : • Déterminer l'importance des APIs en production. • Vue d'ensemble des solutions Open Source • Apprendre à créer des APIs • Apprendre à Gérer l'authentification • Savoir utiliser Amazon Machine Learning et BigML Utilisation du ML sur du texte: • Conseils de prétraitement des données textuelles • Mise en pratique avec la librairie open source NLTK Jour 3 Aller plus loin avec le Machine Learning Techniques avancées: • Principe du Gradient Boosting et utilisation de la librairie open source XGBoost • Pipelines de Machine learning: enrichissement et sélection de features, modélisation • Techniques d'optimisation des paramètres de pipelines de Machine learning: grid search, random search et utilisation de la librairie open source hyperopt • Autres problèmes d'apprentissage: • Réseaux de neurones et Deep Learning: • Développer son propre cas d'usage:

Certification

Non communiquee