Méthodes d’apprentissage supervisé : Arbres de décision et forêts aléatoires Mixte : présentiel / à distance

• Toute personne souhaitant comprendre le contexte d'utilisation, les concepts, et la mise en œuvre des méthodes d'apprentissage supervisé de type arbres de décision et forêts aléatoires

• IL EST INDISPENSABLE que les participants aient de bonnes connaissances sur les outils statistiques de base : corrélation, écart-type, variance, intervalles de confiance, tests d'hypothèses.
• 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 :

• Maîtriser le vocabulaire spécifique aux méthodes d'apprentissage supervisé
• Identifier le contexte et les conditions d'application des méthodes d'apprentissage supervisé
• Connaître les objectifs et les différences entre les méthodes d'apprentissage supervisé
• Décrire la méthodologie inhérente à ces méthodes
• Mettre en œuvre et interpréter les résultats des méthodes d'apprentissage supervisé
• Connaître les principaux indicateurs de cohérence liés aux méthodes d'apprentissage supervisé
• Connaître les paramètres à ajuster lors de la mise en œuvre des méthodes d'arbre de décision et de forêt aléatoire
• Maitriser les paramètres permettant d'estimer la qualité de ces analyses

Généralités sur les différentes 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

Contexte d'application des méthodes d'arbre de décision

• Structure du jeu de données
• Principes, vocabulaire et objectifs 
• Notion d'échantillon d'apprentissage, de validation et de test
• Comparaison de méthodes de type régression linéaire / logistique aux arbres de décision
• Principe de la segmentation selon le type de variable : Arbre de régression ou arbre de classification
• Définir les conditions d'arrêt de construction d'un arbre : Notion de pré-élagage
• Définition des groupes après construction de l'arbre
• Indicateurs de qualité
• Comparaison d'arbre de décision selon un certain type d'algorithme : CHAID vs CART
• Avantages et inconvénients : limites des arbres de décision
• Mise en œuvre et interprétation des résultats obtenus après application d'une analyse par arbre de décision

Contexte d'application des méthodes de forêt aléatoire

• Pourquoi avoir recourt aux forêts aléatoires ? 
• Principes et objectifs
  
  • Instabilité de l'arbre
  • Notion de Bagging
  • Les erreurs liées à l'échantillonnage (Out-Of-Bag)
  • Prédiction avec un algorithme de Forêt aléatoire : Les paramètres
• Evaluer l'importance des variables
  
  • Notion d'importance
  • Comportement de l'importance 
  • Lien entre diversité des arbres et l'importance
  • Influence des paramètres
• Sélection de variables
  
  • Généralités et principes de la sélection
  • Procédure de sélection
  • Les paramètres de sélection

• Décrire la méthodologie inhérente à ces méthodes
• Mettre en uvre et interpréter les résultats des méthodes dapprentissage supervisé
• Maitriser les paramètres permettant destimer la qualité de ces analyses
• Maîtriser le vocabulaire spécifique aux méthodes dapprentissage supervisé
• Identifier le contexte et les conditions dapplication des méthodes dapprentissage supervisé
• Connaître les objectifs et les différences entre les méthodes dapprentissage supervisé
• Connaître les principaux indicateurs de cohérence liés aux méthodes dapprentissage supervisé
• Connaître les paramètres à ajuster lors de la mise en uvre des méthodes darbre de décision et de forêt aléatoire

• 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.