retour
2 jours
2350 €
Présentiel
Français

Pour qui ?

- équipes métier souhaitant être capable de réaliser en autonomie des cas d'usage simples (sans industrialisation) de data sciences ;
- data analysts souhaitant monter en compétence (upskilling/reskilling) ;
- toute personne souhaitant mieux appréhender la réalité du métier de data scientist.

Pré-requis

Avoir déjà codé quelques heures en Python (par exemple lors de la formation « Manipulation de données avec le langage Python »)

Dates

Aucune
retour

Connaître et appliquer les grandes techniques de machine learning

avec Raphaël Deswarte
Être rappelé
2 jours - 2350 € - Présentiel - Français

Pour qui ?

- équipes métier souhaitant être capable de réaliser en autonomie des cas d'usage simples (sans industrialisation) de data sciences ;
- data analysts souhaitant monter en compétence (upskilling/reskilling) ;
- toute personne souhaitant mieux appréhender la réalité du métier de data scientist.

Pré-requis

Avoir déjà codé quelques heures en Python (par exemple lors de la formation « Manipulation de données avec le langage Python »)

Dates

Aucune
Être rappelé

Depuis 15 ans, l’analyse de données a connu un essor spectaculaire, et les opportunités liées au Big Data et à l’Intelligence Artificielle ont transformé de nombreux métiers. Bill Gates évoque une révolution par l’IA aussi forte que « les téléphones portables et Internet ». Le boom de l’IA générative, notamment depuis le phénomène ChatGPT en 2022, a encore amplifié les possibilités offertes par la data science.

Face à la difficulté de recruter des data scientists, certaines équipes ont un intérêt à réaliser elles-mêmes en autonomie des cas d’usage de data science et de machine learning. Cette formation vise ainsi à leur apprendre à réaliser elles-mêmes un certain nombre de cas d’usage (non industrialisés), grâce au langage Python. Elle donne ainsi une bonne vision de la réalité de l’activité d’un data scientist, grâce à un grand cas d’usage « fil rouge ».

Objectifs

  • Permettre de réaliser en autonomie une large palette de cas d’usage réels
  • Comprendre les méthodologies associées aux différentes approches du machine learning
  • Faciliter les interactions avec les experts de la data

Programme

Comment réaliser un cas d’usage de machine learning ?

  • Différentes approches pour l’IA et les data sciences : des statistiques au machine learning
  • Quelles tâches peut-on réaliser avec du machine learning ?
  • Méthodologie et évaluation pour l’apprentissage supervisé
  • Quelques notions de statistiques
  • Réaliser les calculs en pratique

Le cas d’usage « fil rouge » de la formation

Rappels sur la manipulation de données avec Python

(Cas d’usage fil rouge) Analyse exploratoire du jeu de données

Le package standard de machine learning de Python : « scikit-learn »

  • Présentation du package « scikit-learn »
  • Les 4 lignes de code clés pour créer un modèle
  • Quelques autres fonctionnalités bien utiles

Prévoir une catégorie grâce à un modèle de classification

  • Présentation de la classification
  • Toutes les erreurs ne se valent pas ! l’importance d’une évaluation adaptée
  • Coder un modèle de classification en Python
  • (Cas d’usage fil rouge) Application concrète: proposition de produits

Résumer et visualiser le jeu de données grâce à l’Analyse en Composantes Principales

  • Notion de réduction de dimensions
  • L’Analyse en Composantes Principales, et comment la coder en Python
  • (Cas d’usage fil rouge) Visualisation du jeu de données

Repérer des données similaires grâce au clustering

  • Principe du clustering
  • Coder en Python l’algorithme de clustering des « K-moyennes »
  • D’autres approches de clustering existent
  • (Cas d’usage fil rouge) Repérer les différents types de clients

Détection d’anomalies

  • Notion d’anomalies
  • Approches par quantiles
  • Méthodes à base d’arbres, forêts d’isolation
  • (Cas d’usage fil rouge) Repérer les clients atypiques
  • (Cas d’usage fil rouge) Quelques analyses complémentaires pour conclure l’étude

Annexe 1 : Prévoir des nombres grâce à un modèle de régression

  • Notion de régression
  • Exemple de la régression linéaire, cas de la régression Ridge
  • Coder en Python une régression « Ridge »

Annexe 2 : Des packages complémentaires à scikit-learn

  • Méthodes à base d’arbres
  • Deep learning
  • Machine learning en calcul distribué

Compétences

  • Comprendre les différentes tâches réalisables grâce au machine learning
  • Comprendre la cohérence entre méthodologie de machine learning et besoins opérationnels métier
  • Manipuler et préparer un jeu de données pour pouvoir y appliquer du machine learning
  • Savoir coder et mettre en place des modèles variés de machine learning en Python
  • Savoir appliquer les approches présentées de manière rigoureuse et pertinente

Points forts

  • Formateur data scientist ayant déjà enseigné pour plusieurs entreprises ainsi qu’à l’Ecole Polytechnique
  • Un grand cas d’usage fil rouge, avec la satisfaction d’arriver soi-même à mettre en place des modèles et tirer de nombreuses informations des données

Demander un rappel