Machine Learning : analyser, comprendre et prédire

Objectifs

Connaître les cas d’usage de Machine Learning
Appliquer les concepts parcourus au sein des outils dédiés
Comprendre les étapes clés d’un projet de machine Learning
Identifier les analyses à mener en amont d’une modélisation

Prérequis

Connaissances de base en statistiques et mathématiques. Connaissances de base en traitement de fichiers et de données/ Connaissance de base en Python ou R

Public

Data Scientist / Data Miner / Data Analyst

Agenda de la formation

Introduction au Machine Learning

Définition et grandes classes de modèles de Machine-Learning (supervisé / non supervisé)

L’analyse exploratoire

Explorer et décrire ses données
Audit des données et nettoyage
Cas pratique: exemple applicatif dans Tableau, Data Studio, R ou Python

Apprentissage supervisé

Algorithmes classiques supervisés : régression linéaire, régression logistique, SVM, arbres de décision
Apprentissage supervisé - Régression et Classification
Cas pratique régression : prédiction des ventes / Cas pratique classification : score de churn (Python ou R)

Apprentissage non supervisé

Présentation des algorithmes de classification / Cas pratique clustering : segmentation (Python ou R)
Revue des cas avancés (deep learning, NLP, séries temporelles…)
Cas pratique : usage des modèles entraînés par Google

Amélioration du modèle et cas pratique

Réduction de dimension & construction de variables : one hot encoding, standardisation
Cas pratique : usage des modèles entraînés par Google
Optimisation du modèle

Infos pratiques

7h de formation sur une journée

Visioconférence ou présentiel

Jusqu'à 8 participants

4500€ HT pour le groupe

Télécharger la fiche formation

Cette formation vous intéresse ?
Demandez un devis !

Contactez-nous