Machine learning

Objectifs Découvrir les principales étapes d'une étude de Machine Learning et un panorama des méthodes associées (Data Mining, Analyse de Données). Apprendre à extraire de l'information utile à partir de données volumineuses, changeantes, non structurées. Compétences visées - Comprendre l'intérêt du Machine Learning, branche de l'intelligence artificielle et ses apports pour l'analyse de données - Appréhender les différentes étapes du Machine Learning, de la collecte des données à l'analyse des résultats en passant par la modélisation - Évaluer le modèle sur un échantillon de test - Appréhender les méthodes d'exploration graphique en Machine Learning - Découvrir et mettre en oeuvre les réseaux de neurones - Découvrir et mettre en oeuvre les arbres de décision - Se familiariser avec les méthodes parcimonieuses en algorithme d'apprentissage statistique - Connaître les méthodes de ré-échantillonnage pour évaluer la variabilité des paramètres statistiques - Découvrir et mettre en oeuvre les méthodes du Text Mining - Avoir une vision des principaux logiciels de Machine Learning

- Définitions du Machine Learning Le contexte du Machine Learning : volume des données, nature des problèmes, mélange des disciplines Définitions du Machine Learning et de l'Analyse de Données L'histoire récente - Le processus Machine Learning Les étapes du "Knowledge Discovery in Databases" (KDD) Extraction, prétraitements et nettoyage Analyses exploratoires Visualisations Modélisation Analyse des résultats Intégration Échantillon d'apprentissage, de test et de validation - Méthodes d'exploration graphique Les analyses factorielles : composantes principales, correspondances simples et multiples Les algorithmes de classification : arbres et centres mobiles Les graphiques de Bertin - Les réseaux de neurones Principes des réseaux de neurones (perceptron) Techniques de calculs Applications à la résolution de nombreux problèmes dont la discrimination et la régression Forces et faiblesses de l'approche - Les arbres de décision Principe des arbres Les principaux algorithmes Validation et élagage d'un arbre Quelques exemples d'applications - Les méthodes parcimonieuses Régression pas à pas Régression LASSO Régression RIDGE Elastic Net - Les méthodes de ré-échantillonnage Bagging Boosting Random Forest - Le Text mining Principe et méthodes du Text mining Techniques factorielles, typologies et lexicométrie Quelques applications : documents, messages électroniques, Internet, ... - Les principaux logiciels de Machine Learning - Bilan.

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Pour suivre ce stage dans de bonnes conditions, il est recommande d avoir suivi en amont la formation Statistique descriptive (exploratoire) : savoir decrire des observations.