Exploitation des données et modèles d'apprentissage en Data Science

Code Formation: 5289

| Ajouter aux favoris

Compétence principale visée

Mettre en oeuvre la chaîne complète d’un projet Data

Objectifs pédagogiques

L’objectif de la formation est de permettre aux participants de :

Interagir avec les spécialistes dans un cadre professionnel
Mettre en œuvre la chaîne complète d’un projet Data
Identifier les grandes familles de méthodes d’utilisation des données
Concevoir et organiser l’exploitation des données
Concevoir et appliquer les méthodes de validation des modèles d’apprentissage
Interagir avec les données (nettoyage, prévisualisation...)
Justifier les résultats d’un projet de sciences de données dans un cadre opérationnel

Public

Tous collaborateurs en charge de mettre en oeuvre un projet de Data Science

Prérequis

Notions en Data Science
Connaissances en statistique et/ou en programmation

PARTIE 1 - PREPARATION ET VISUALISATION DES DONNEES

Accéder aux données
Importer des données
Comprendre l’importance du processus de nettoyage des données
Identifier les caractéristiques d’un ensemble de données
Nettoyer et préparer des ensembles de données
Prétraiter des données (normalisation, discrétion)
Les principes de la visualisation de données
Réduction de la dimension, analyse en composantes principales (ACP)

Modalités pédagogiques : 50 % de Travaux Pratiques sur Plateforme Data Science basée sur des notebooks Scikit-Learn et Python

PARTIE 2 – LES MODELES D’APPRENTISSAGE FONDAMENTAUX

Modéliser un problème de Data Science
Ajuster et valider un modèle
La Machine Learning et les capacités d’apprentissage des machines
Les différentes familles d’algorithme
Apprentissage supervisé
Construire un modèle de régression linéaire
Les coefficients de régression
k-NN
Arbres de décision
Validation d’un modèle prédictif
Apprentissage non supervisé
Partitionnement en k-means
Regroupement hiérarchique (clustering)
Règles d’association
Détections d’anomalies

Modalités pédagogiques : 50 % de Travaux Pratiques sur Plateforme Data Science basée sur des notebooks Scikit-Learn et Python

PARTIE 3 – LES MODELES PREDICTIFS AVANCES

Régression non linéaire, régression logistique
Random forests
Machines à vecteurs de support (SVM)
Validation d’un modèle prédictif : validation croisée

Modalités pédagogiques : 50 % de Travaux Pratiques sur Plateforme Data Science basée sur des notebooks Scikit-Learn et Python

La démarche pédagogique proposée s’appuiera sur l’alternance d’apports théoriques, d’échanges techniques et d’illustrations autour de cas pédagogiques existants. En complément, elle intégrera de nombreuses mises en situation et de travaux pratiques