La formation Etat de l'art sur l'Intelligence Artificielle vous permettra de :
- 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.
Machine learning, l'état de l'art (DS010)
Diplôme
Certificat ESIEE-IT
Durée
2 jours (soit 14 heures)
Coût
1 932 €
Campus
Paris 9ème ou à distance
Machine learning, l'état de l'art
- 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).
Informations complémentaires
Texte
Prochaines sessions :
- Du 20 au 21 novembre 2023
- Du 12 au 13 février 2024
- Du 8 au 9 avril 2024
- Du 1 au 2 juillet 2024
- Du 7 au 8 octobre 2024
- Du 9 au 10 décembre 2024
- Horaires : 9h00 à 17h30
- Taux de réussite : nouvelle formation
- 100% à distance (D) ou en présentiel (P)
- Si vous êtes en situation de handicap, retrouvez toutes les informations utiles ICI