MACHINE LEARNING Découverte : classification, k-means, analyse factorielle discriminante, arbres de décision et forêts aléatoires Mixte : présentiel / à distance

• Toute personne souhaitant découvrir le contexte et les concepts d'utilisation des méthodes de machine learning de type classification, k-means, analyse factorielle discriminante, arbres de décision et forêts aléatoires.

• Il est souhaitable d'avoir des connaissances de bases en statistiques.
• Dans le cas où la formation serait effectuée avec le logiciel R, une connaissance de base de ce logiciel est préconisée

A l'issue de cette formation, l'apprenant sera capable de :

• Connaître les objectifs et les différences entre les méthodes d'apprentissage supervisé et non supervisé
• Maîtriser le vocabulaire spécifique aux méthodes d'apprentissage supervisé et non supervisé
• Identifier le contexte et les conditions d'application des méthodes d'apprentissage supervisé et non supervisé 
• Connaître les démarches des méthodes d'apprentissage supervisé et non supervisé

Généralités sur les différentes méthodes de machine learning

• Limites des statistiques classiques
• Champs d'application des différentes méthodes
• Introduction sur le machine learning - Les objectifs et problématiques

Découverte de la méthode d'Analyse discriminante

• Structure du jeu de données
• Contexte d'application, objectifs et méthodologie de l'analyse discriminante
• Notions de classement et de discrimination
• Méthodologie de l'AFD
• Interprétation des sorties logiciel : cercle factoriels, corrélations variables x axes
• Qualité de l'AFD (de la discrimination obtenue)
  
  • Tests univariés et multivariés (lambda de Wilks)
  • Graphique des individus
  • Matrice de confusion (et éventuellement courbe ROC)
• Les confusions et erreurs à ne pas commettre

Découverte des méthodes de classification : classification ascendante hiérarchique (CAH) et k-means

• Structure du jeu de données
• Contexte d'application, objectifs et méthodologie de la CAH et des k-means
• Lecture d'un dendrogramme
• Différents types de classification : sur les individus, sur les variables, sur les modalités
• Avantages et inconvénients des méthodes de classification
• Interprétation des sorties logiciel

Découverte des méthodes d'apprentissage supervisé

• Champs d'application des différentes méthodes 
• Objectifs de l'apprentissage supervisé
  
  • Objectifs de description
  • Objectifs de prédiction
• Structure des jeux de données
• Présentation générale de l'éventail des méthodes
  
  • Arbre de décision
  • Forêt aléatoire

• Connaître les objectifs et les différences entre les méthodes dapprentissage supervisé et non supervisé
• Maîtriser le vocabulaire spécifique aux méthodes dapprentissage supervisé et non supervisé
• Identifier le contexte et les conditions dapplication des méthodes dapprentissage supervisé et non supervisé
• Connaître les démarches des méthodes dapprentissage supervisé et non supervisé

• Explications théoriques suivies de pratiques guidées puis de mises en autonomie.
• Exercices autonomes et réguliers pour assurer l'assimilation

Votre formation a lieu en présentiel :

• 1 vidéoprojecteur par salle
• 1 ordinateur

Votre formation se déroule à distance avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque)
• 1 Webcam (facultatif – dans l'idéal)
• 1 deuxième écran (facultatif – dans l'idéal)

Votre formation se déroule sur notre plate-forme de formation avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque - facultatif)

Support stagiaire :

À l'issue de la formation, les exercices et travaux pratiques réalisés, leurs corrigés ainsi qu'un support de cours dématérialisé sera fourni à chaque stagiaire par e-mail ou via la plate-forme FOAD.