Machine Learning Technologies et bonnes pratiques
Programme
Introduction
- Zoom sur les données : format, volumes, structures, …
- et les requêtes, attentes, des utilisateurs.
- Etapes de la préparation des données.
- Définitions, présentation du data munging
- Le rôle du data scientist.
Etude de cas
- Mise en oeuvre pratique des différentes phases : nettoyage,enrichissement,organisation des données.
Machine Learning
- Définition, les attentes par rapport au Machine Learning
- Les valeurs d’observation, et les variables cibles.
- Ingénierie des variables
Apprentissage automatique
- Les méthodes : apprentissage supervisé et non supervisé
- Classification des données,
- Algorithmes : régression linéaire, k-voisins,classification naïve bayésienne, arbres de décision, etc ..
Les risques et écueils
- Importance de la préparation des données.
- L’écueil du « surapprentissage ».
Visualisation des données
- L’intérêt de la visualisation.
- Outils disponibles,
- Exemples de visualisation avec R et Python
