ATELIER : Initiation au Machine Learning
Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici
Deux jours pour obtenir les bases nécessaires à l’identification et la conduite de projets de valorisation de données par apprentissage machine.
Lorsqu’on s’intéresse à la valorisation des données, on peut difficilement ignorer le Machine Learning (Apprentissage Machine), élément clé de l’Intelligence Artificielle et des Data Sciences, tant les promesses de son usage sont largement louées et deviennent un enjeu stratégique pour nos entreprises.
Nous n’avons certainement pas tous vocation à devenir des Data Scientists, mais, que nous fassions partie des Directions Générales, Marketing, Innovation, R&D, ou encore des Systèmes d’Information, nos objectifs sont bien souvent de disposer de connaissances suffisantes pour orienter les réflexions et les travaux d’innovation dans nos entreprises.
Cette formation répond à ces objectifs en s’appuyant sur des exemples simples et intuitifs afin d’introduire les principaux concepts de l’apprentissage machine. Elle privilégie la compréhension méthodologique plutôt que les détails théoriques et techniques. Nous nous attachons en particulier à comprendre pourquoi et comment ces systèmes sont efficaces.
Lors de cette formation nous abordons un ensemble d’applications et de méthodes en les situant dans une structure méthodologique globale, en montrant leurs liens, en les illustrant par des exemples et en discutant leurs forces et leurs faiblesses.
Objectifs :
Fournir aux décideurs, managers et ingénieurs les éléments pour mieux gérer des projets intégrant de l’apprentissage machine et donner les bases qui permettront de mettre en place et approfondir des applications pratiques.
Intervenants :
Gladys LEGER Consultante Datascience chez Viveris.
PROGRAMME
Jour 1 : 9h00 - 17h00
1. Introduction
Présentation des participants
Echange sur les attentes
Discussion pour choisir certaines orientations de la formation (théorie vs pratique, cas pratiques, outils, démonstrations)
Identification de cas d’usage d’intérêt pour les ateliers
2. Qu’est-ce que l’apprentissage machine ?
Exemples d’applications et enjeux économiques
Quelques exercices pour comprendre des principes fondamentaux
Définition et relation avec l’algorithmie, les statistiques et l’intelligence artificielle
3. Premiers algorithmes d’apprentissage machine
K-plus proche voisins et K-means
Familles d’algorithmes : régression, classification
Possibilités de mise en œuvre
Challenges
4. Mise en place d’une démarche projet (partie 1)
Compréhension et formalisation du problème
Collecte, visualisation et préparation des données
Réduction de la dimension, choix des caractéristiques et de la mesure de similarité
Atelier : Par groupe, choix d’un cas d’usage d’intérêt, formalisation du problème puis présentation devant les autres groupes.
Démonstration : Mise en œuvre sur un cas pratique (partie 1)
5. Régressions
Fonction hypothèse et fonction de coût
Optimisation de la fonction de coût
Familles d’algorithmes de régression
6. Mise en place d’une démarche projet (partie 2)
Valider et comprendre les résultats
Architecture et Mise en production
Logiciels libres, Plateformes et Software as a Service (PaaS, SaaS)
Démonstration : Mise en œuvre sur un cas pratique (partie 2)
Jour 2 : 9h00 - 17h00
7. Classification
Classification supervisée et frontières de décision
Classification non supervisée
Eléments de probabilités conditionnelles
Arbres de décision
Atelier : Par groupe, définition d’une stratégie pour le cas d’usage d’intérêt choisi lors du 1er atelier.
Démonstration : Mise en œuvre sur un cas pratique (partie 3)
8. Réseaux de neurones
Historique, difficultés et avancées majeures
Réseaux de neurones multicouches et profonds
Auto-encodeurs et réseaux de neurones convolutionnels
Démonstration : Exemple d’application (dans le cloud et/ou avec Python)
9. Séries temporelles
Séries numériques et approches traditionnelles
Séquences d’évènements
Fusion de capteurs
10. Pour aller plus loin : Réseaux de neurones récurrents et apprentissage par renforcement
Réseaux de neurones récurrents, Réseaux à mémoire
Analyse du langage naturel
Démonstration : Exemple d’application (dans le cloud et/ou avec Python)
Apprentissage par renforcement
Démonstration : Exemples d’application
9. Conclusion
Synthèse
Comment aller plus loin ?
Questions et échange sur la formation
INFORMATIONS PRATIQUES
Public concerné :
Cette formation s’adresse à un public large :
Direction générale
Direction marketing/produit
Direction technique & innovation
Direction des systèmes d’information
Direction projet / Ingénieurs d’études
Pré-requis :
Formation accessible à tous