Machine Learning - La synthèse

1ère partie : Du Big Data au Machine Learning

• Histoire du Big Data et évolution vers les Machine Learning
• Comprendre les concepts d'Intelligence Artificielle et d'apprentissage automatique (Machine Learning)
• Des exemples d'usages pour divers directions métier dans divers secteurs : marketing, vente, logistique, RH, santé, transport, la sécurité, l'énergie, la distribution, le luxe, le tourisme…
• Les résultats et bénéfices attendus

2ème partie : Les mécanismes du machine Learning

Sur quoi porte le machine Learning ?

• Les données structurées, semi-structurées et non structurées
• Nature statistique des données (qualitatives ou quantitatives)
• Les objets connectés (IoT)

Les différents types d'apprentissage en machine Learning

• Passer de l'analyse descriptive à l'analyse prédictive puis prescriptive
• La typologie des algorithmes (Apprentissage supervisé : répéter un exemple- Apprentissage non supervisé : découvrir les données - Reinforcement Learning : optimisation d'une récompense - Autres types d'apprentissage (par transfert, séquentiel, actif...)
• Le lien avec les mathématiques, le big data, l'intelligence artificielle et le machine Learning

Les algorithmes du machine Learning

• Régression linéaire simple et multiple
• Régression polynomiale
• Séries temporelles
• Régression logistique et applications en scoring
• Classification hiérarchique et non hiérarchique (KMeans)
• Classification par arbres de décision ou approche Naïve Bayes
• Ramdom Forest (développement des arbres de décision)
• Gradiant Boosting
• Réseaux de neurones
• Machine à support de vecteurs
• Deep Learning : exemples et raisons du succès actuel
• Text Mining : analyse des corpus de données textuelles

3ème partie : La démarche de traitement

La collecte et la préparation des données　

• Analyse exploratoire : Préparation d'un jeu de données - Nettoyage des données et valeurs manquantes : Data cleaning
• Identification des corrélations

La collecte et la préparation des données : Feature engineering

• Apprendre à réduire la complexité d'un problème pour le résoudre par analyse des composantes principales
• Comment réduire la dimension et sélectionner les variables pertinentes ?
• Détection et correction des valeurs aberrantes
• Data augmentation : création de nouvelles variables pour aider à résoudre le problème

Procédure d'entraînement et d'évaluation des algorithmes

• Séparation du jeu de données en plusieurs : entraînement, test et validation
• Techniques de bootstrap (bagging)
• Exemple de la validation croisée
• Définition d'une métrique de performance
• Descente de gradient stochastique (minimisation de la métrique)
• Courbes ROC et de lift pour évaluer et comparer les algorithmes
• Matrice de confusion : faux positifs et faux négatifs

Mise en production d'un algorithme de machine Learning

• Description d'une plateforme Big Data
• Principe de fonctionnement des API
• Du développement à la mise en production
• Stratégie de maintenance corrective et évolutive
• Évaluation du coût de fonctionnement en production

Comment fonctionne le machine Learning ?

• Les outils du marché pour le traitement de la donnée
• et leur ouverture à l'Open Source
• Les API en ligne (IBM Watson, Microsoft Cortana Intelligence...)

Comment mettre en oeuvre le machine Learning ?

• Le cycle de vie d'un projet de machine Learning
• Protection et droit d'accès aux données personnelles
• L'accompagnement aux changements nécessaire (formation, communication, management)

4ème partie : Les acteurs internes et externes à impliquer, à considérer

• Les acteurs d'un projet et post-projet
• Nouveaux rôles dans l'entreprise : chief data officer, data protection officer, data engineer, data scientist, data analyst, data miner...
• Les prestataires externes et l'écosystème
• Dans votre entreprise, qui est concerné par le Machine Learning et l'Intelligence Artificielle

5ème partie : La RoadMap d'un déploiement d'une solution de Machine Learning

• La roadmap de la mise en oeuvre du machine Learning (avant, pendant et après le projet)
• Mise en place d'un Proof Of Concept
• Les spécificités d'un projet Machine Learning
• Le rétro planning du ou des recrutements et leurs incidences sur les projets

6ème partie : Valider sa préparation au Machine Learning

• CheckList, bonnes pratiques
• Échanges autour des spécificités métiers et activité des entreprises de chaque participant