Data-science : analyser, comprendre et prédire

• Concepts statistiques
• Quand est-il utile de faire du machine learning ?

• Audit des données et nettoyage
• Explorer et décrire ses données : bonnes pratiques de la data viz

Utiliser les insights de l’analyse pour la construction d’un modèle prédictif

• Apprentissage supervisé – Régression et Classification
• Présentation des algorithmes classiques : régression linéaire, régression logistique, SVM, arbres de décision

Cas pratique régression: prédiction des ventes (Python ou R)

Cas pratique classification: score de churn (Pythonou R)

• Présentation des algorithmes de classification : méthodes basées sur des centroides, sur la densité, clustering hiérarchique

Cas pratique clustering: segmentation (Python ou R)

• Les modèles de classification d’image par deep learning
• Les modèles d’analyse sémantique par le NLP
• Les modèles de recommandation
• Les modèles de séries temporelles

Cas pratique: usage des modèles entraînés par Google

• Trop ou trop peu de variables : feature engineering et feature selection:
• Réduction de dimension
• La construction de variables : one hot encoding, standardisation
• Cas pratique : usage des modèles entraînés par Google
• Optimisation du modèle
• Éviter le surapprentissage : régularisation, validation croisée
• Choix des hyperparamètres de l’algorithme

• Retour sur les grands cas d’application
• Retour d’expérience et échange sur les écueils à éviter