Accueil > Domaines > Big Data > Machine Learning - La synthèse

Machine Learning - La synthèse

Se préparer à la mise en œuvre en Entreprise

Le machine Learning joue un rôle essentiel dans les évolutions du Big Data. Si vous préparez la mise en œuvre d’une solution d’intelligence artificielle dans votre Entreprise, l’un de vos objectifs est de garantir une analyse et interprétation optimales des informations clés. Disposant d’un panel de mécanismes et algorithmes, le Machine Learning est en mesure de suivre les évolutions de ses propres analyses pour en définir des tendances, fournir des prédictions et soumettre des prescriptions. En respectant une démarche pédagogique particulièrement méthodique, ce séminaire permettra aux décideurs informatiques et marketing de disposer des repères fondamentaux facilitant le lancement de tout projet intégrant ces nouveaux éléments (Traitement intelligemment des données).

Objectifs

Positionner le Machine Learning dans le domaine du Big Data
Connaître le processus de traitement du Machine Learning dans la chaîne de traitement de la donnée
Comprendre les types d’usages du Machine Learning dans l'entreprise
Valider les clés de réussite d'un projet autour du Machine Learning

Public

Dirigeants, directeurs informatiques
Directeurs projets
Toute personne souhaitant comprendre les mécanismes et les bénéfices potentiels du Machine Learning pour diriger ou gérer la préparation d’un déploiement de solution d’intelligence artificielle dans l’entreprise

Prérequis

Aucun

Programme de la formation

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 œuvre 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 œuvre 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