Machine learning, l’état de l’art

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

Intégrer les principes fondamentaux du Machine Learning pour une mise en œuvre adaptée d’un projet d’Intelligence Artificielle

À l’issue de chaque module, le formateur évaluera chacun des participants en fonction des cas pratiques et exercices effectués.

Une attestation de formation vous sera remise.

• Alternance d’exercices, cas pratiques, QCM et de notions théoriques, projet Fil Rouge.
• Evaluations régulières et retour du formateur sur les points moins bien assimilés.
• Les supports de cours seront mis à disposition via notre la plate-forme de téléchargement AJC Classroom.
• Accès à notre plateforme à distance de Classe Virtuelle
  Mêmes possibilités et interactions avec votre formateur que lors d’une formation présentielle. En effet, votre formation se déroulera en connexion continue 7h/7 :
  • • • Echanges directs avec le formateur et l’équipe pédagogique à travers la visioconférence, les forums et chats
      • Vérification de l’avancement de votre travail et évaluation par votre formateur à l’aide d’exercices et de cas pratiques
      • Suivi pédagogique et conseils personnalisés pendant toute la formation

   

  Vous recevrez les informations de connexion par mail dès votre inscription. En cas de problème de connexion, vous pourrez joindre notre équipe à tout moment (avant ou même pendant la formation) au 0182837241 ou par mail à l’adresse hotline@ajc-formation.fr.

Les personnes en situation de handicap sont invitées à nous communiquer leurs besoins spécifiques. Nous ferons tout pour les mettre dans les meilleures conditions de suivi de la formation (compensation, accessibilité…)

Une attestation de fin de stage sera remise à tous les participants à l’issue de leur parcours.

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

Histoire du Machine Learning et contexte du Big Data

• Replacer à leur échelle les conceptsd’Intelligence Artificielle,apprentissage automatique (machinelearning)…
• Le lien avec les mathématiques, lesstatistiques (inférentielles), le datamining et la data science
• Passer de l’analyse descriptive àl’analyse prédictive puis prescriptive
• Les applications du Machine Learning(moteurs de recherche, détectiondes spams, lecture des chèques)
• La typologie des algorithmes deDominique CARDON
• La communauté Data Science et leschallenges Kaggle (ex. de Netflix)

Les données à disposition : collecte etpréparation

• Données structurées, semi-structurées et non structurées
• Nature statistique des données(qualitatives ou quantitatives)
• Objets connectés (IoT) et streaming
• Opportunités et limites de l’OpenData
• Identification des corrélations,problème de la multicolinéarité
• Réduction des dimensions parAnalyse des Composantes Principales
• Détection et correction des valeursaberrantes
• Les ETL (Extract Transform Load)
• Le Web scraping

Travaux pratiques : Identification de lastructure de la donnée à récupérer pournormalisation

Les outils du marché pour letraitement de la donnée et leMachine Learning

• Les logiciels traditionnels (SAS, SPSS,Stata…) et leur ouverture à l’OpenSource
• Choisir entre les deux leaders OpenSource : Python et R
• Plateformes Cloud (Azure, AWS,Google Cloud Platform) et solutionsSaaS (IBM Watson, Dataïku)
• Nouveaux postes en entreprises :data engineer, data scientist, dataanalyst, etc.
• Associer les bonnes compétences àces différents outils
• Les API en ligne (IBM Watson,Microsoft Cortana Intelligence…)
• Les chatbots (agentsconversationnels)

Travaux pratiques : Choix d’un outilpour la récupération, le traitement et laprédiction