Recherche avancée
Par formation
Par date
Par ville
logo HUB Formation
Organisme de Formation
aux Technologies et métiers de L'informatique
La pédagogie au service de la technologie
Accueil > Domaines > Statistiques > Introduction à l'analyse prédictive et cognitive et au Machine Learning

Introduction à l'analyse prédictive et cognitive et au Machine Learning

Ce cours d'une durée de 5 jours se divise en 2 parties et propose une revue des modèles d'analyse prédictives utilisés dans le contexte de la data science et du Big Data. La première est une introduction aux concepts de base de la théorie des probabilités et statistiques. La deuxième partie est une introduction aux principaux modèles statistiques, automatiques et machine learning utilisés dans le monde de la data science. Les différents algorithmes sont présentés et illustrés avec des exemples concrets avec les langages R, Python ou avec le logiciel d'analyse statistique IBM SPSS.

Objectifs

  • comprendrer les besoins en analyse de données d'une entreprise
  • maîtriser les connaissances de base de la théorie des probabilités et statistiques
  • identifier les différents modèles utilisés

 

Public

  • Toute personne qui a besoin d'acquérir les connaissances de base de la théorie des probabilités et statistiques afin d'analyser correctement les données de l'entreprise et qui voudrait avoir une compréhension générale des différents modèles prédictifs utilisés.

Prérequis

  • Toute personne ayant idéalement un profil scientifique et intéressé par une revue des modèles d'analyse prédictives utilisés dans le contexte de la data science et du big data.

Programme de la formation

Partie 1

Introduction aux Probabilités

  • Evénement et Univers
  • Définition d'une Probabilité
  • Probabilité Conditionnelle
  • Indépendance en Probabilité
  • Formule de Bayes

Variable aléatoire

  • Variable aléatoire Discrète
  • Variable aléatoire Continue
  • Lois usuelles

Statistiques Descriptives

  • Caractéristiques de position et de dispersion
  • Graphiques

Inférence Statistique

  • Estimation de la moyenne et de la variance
  • Tests Statistiques: Test d'ajustement (Test de Normalité), Introduction au Test de comparaison de moyennes

Partie 2

Les modèles de régression

  • Modèles de la Régression Linéaireet ses variantes: Régression par les moindres créés, Régression de Ridge, Régression de Lasso
  • Modèles de la Régression logistique : Régression logistique binaire, et multinomiale

Modélisation Automatique, Machine Learning et Cognitive

  • K-means
  • Les plus proches voisins
  • Arbres de décision
  • Forêts aléatoires
  • Réseaux de Neurones
  • Réseaux bayésiens
  • Algorithme de recommandations
  • Deep Learning