MACHINE LEARNING Modèle prédictif avec l'algorithme SVM Mixte : présentiel / à distance

• Une connaissance des outils statistiques de base est souhaitée
• Une connaissance des approches prédictives classiques (régression) est un plus mais pas strictement nécessaire.

• Comprendre la démarche de l'algorithme Svm
• Comprendre les avantages et les inconvénients du knn
• Comprendre les principes mathématiques sous-jacents au SVM
• Comprendre la notion de noyau
• Choisir un noyau approprié à une problématique
• Trouver les réglages optimaux des hyper paramètres des noyaux
• Valider le modèle en appliquant les différentes méthodes de validation
• Mettre en œuvre sous des logiciels comme R l'algorithme Svm

Jour 1 – Matin

Rappeler la démarche de la modélisation

• Que veut-on prédire
  • Variable Qualitative
  • Variable Quantitative
• Quantification de l'erreur du modèle
  • Modèles à Y Quantitatif
  • Modèles à Y Qualitatif

Jour 1 – Après-midi

Comprendre le fonctionnement du Svm

• Préparation des données
• Problèmes d'échelle sur les X
• Centrage des valeurs de X
• La démarche du Svm
• Notions de marges
• Cas d'une prédiction qualitative

Explorer le noyau d'un Svm

• Séparateur linéaire et non linéaire
• L'astuce du noyau
• Fonctionnement mathématique d'un noyau
• Noyau et paramètres associés
• Recherche de l'optimalité des paramètres des noyaux

Jour 2 – Matin

Mettre en application du Svm sur des variables X qualitatives

• Comment transformer des X qualitatives en X quantitatives
• Méthodes de l'Analyse factorielles de Correspondances
• Récupération des coordonnées des individus
• Mise en place du KnSvmn

Jour 2 – Après-midi

Optimiser le sous et surajustement

• Notions de biais d'un modèle
• Notions de variance d'un modèle
• Optimalité variance & biais
• Jugement de la qualité d'un modèle
• Matrice de confusion
• Méthode du Data Train / Data test
• Validation croisée
• Classique LOO (leave One Out)
• Validation croisée par k fold

Réaliser des exercices pratiques

• Applications avec R
• Démonstration avec Excel
• Cas d'études sur données des apprenants

Jeux de données 

Afin de s'approcher au mieux des réalités quotidiennes des praticiens, nous suggérons de nous appuyer pour l'animation pratique de thématiques et surtout de jeux de données reflétant le quotidien des apprenants. 

Cet élément est un facteur de réussite pour la formation. Elle permet aux apprenants de : 

• Se "reconnaitre" dans les thèmes abordés,  
• Mieux percevoir l'intérêt des notions étudiées  
• S'approprier le contenu de la formation 

Il sera donc pertinent que les apprenants puissent réfléchir en amont de la formation à des problématiques, jeux de données ou documents susceptibles d'être utilisés en support lors de la formation. 

Outil logiciel 

Cette formation n'est pas strictement dédiée à un logiciel. Les exercices et les illustrations se feront généralement sous R ou sous un autre logiciel partant de l'hypothèse que celui-ci intègre les outils techniques abordés.

Dans le cas où la formation serait effectuée avec le logiciel R, une connaissance de base de ce logiciel est préconisée.

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

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)

• Questionnaire de vérification de connaissances (Quiz),
• Réalisation de Travaux Pratiques : production ou amélioration d'un fichier,
• Mises en situation et grilles d'analyse,
• Serious Game : jeu de rôles et analyse,
• Activités interactives à travers l'utilisation d'une plate-forme connectée.