• Les concepts d’apprentissage automatique et l’évolution du Big Data vers le Machine Learning
• Appréhender les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d’usage
• Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
• Connaitre les outils et les acteurs leaders du marché
• Découvrir les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
• Identifier les clés de réussite d'un projet intégrant du Machine Learning.

Les concepts d’apprentissage automatique et l’évolution du Big Data vers le Machine Learning

• Définition. De la statistique à l'apprentissage automatique.
• Apprentissage automatique : comprendre ou prédire?
• Besoin en puissance de calcul et de stockage.
• Intégration de l'apprentissage automatique dans les fermes de Big Data.
• Les valeurs d'observation, et les variables cibles.
• Ingénierie des variables.

Appréhender les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d’usage

• Comment automatiser les processus métier. Attentes. Création de valeur à partir de la donnée. Problème du ratio pertinence/volume.
• Les risques et écueils. Importance de la préparation des données. L'écueil du "surapprentissage".
• Les erreurs d'architecture à éviter.
• Atelier : mise en évidence d'erreurs d'apprentissage sur des données non qualifiées.
• Modélisation automatique. Le rôle du data scientist.
• Atelier : démonstration de reconnaissance d'images.

Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée

• Le pattern MapReduce. Exemple d'utilisation.
• Gouvernance des données. Qualité des données.
• Transformation de l'information en donnée. Qualification et enrichissement.
• Sécurisation et étanchéité des lacs de données.
• Flux de données et organisation dans l'entreprise. De la donnée maître à la donnée de travail. MDM.
• Mise en œuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données.
• Zoom sur les données : format, volumes, structures.
• Zoom sur les requêtes, attentes des utilisateurs.
• Étapes de la préparation des données.
• Définitions, présentation du data munging.

Connaitre les outils et les acteurs leaders du marché

• Comparatifs des outils d'apprentissage automatique. Les outils en mode local, en mode distribué.
• Les acteurs. Leurs outils.
• Atelier : utilisation de scikit learn et de SparkML. Comparatif.
• Apprentissage profond : introduction aux réseaux de neurones.
• Réseaux de neurones à convolution. Modèles de CNN.
• L'approche du Deep Learning. Deeplearning4j sur Spark. TensorFlow sur rig, sur Spark.
• Atelier : mise en œuvre d'une reconnaissance automatique avec TensorFlow

Découvrir les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise

• Apprentissage supervisé/non supervisé, classification ou régression.
• Algorithme paramétrique ou non-paramétrique, linéaire ou non-linéaire.
• Les méthodes : apprentissage supervisé et non supervisé
• Classification des données,
• Algorithmes : régression linéaire, k-moyennes, k-voisins, classification naïve bayésienne, arbres de décision, forêts aléatoires, ...
• Atelier : classification automatique d'un jeu de données à partir d'une régression logistique
• Création de jeux d'essai, entraînement et construction de modèles.
• Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC.
• Parallélisation des algorithmes. Choix automatique.
• Atelier : Mise en évidence des erreurs d'apprentissage en fonction des hyper-paramètres

Identifier les clés de réussite d'un projet intégrant du Machine Learning

• Choix des architectures. Comment définir le besoin métier ?
• Extraction et organisation des classes de données.
• Applications aux fermes de calculs distribués.
• Problématiques induites. Approximations.
• Précision des estimations.
• Analyse factorielle.
• Visualisation des données.
• L'intérêt de la visualisation.
• Outils disponibles.
   

À qui s’adresse cette formation ?

Toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning : dirigeants d'entreprise, DSI, responsables informatiques, consultants, responsables de projets Big Data.
    

Quels sont les prérequis ? 

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

Méthodes pédagogiques 

• Apports théoriques suivis d’applications 
• Travaux pratiques réalisés 
   

Méthodes d'évaluations

• QCM d'évaluation des acquis

• À l’issue de cette formation, un certificat ESIEE-IT vous sera délivré.

Pour vous inscrire, envoyez un mail à formationcontinue@esiee-it.fr  (réponses sous 48heures).