> formation Technologies numériques > formation Big Data, Intelligence Artificielle > formation IA, Machine Learning, analyse de données > formation Machine learning, l'état de l'art

Avis loadedNote : 4,4Length : 27TotalNote : 470TotalNote20 : 16
Toutes nos formations IA, Machine Learning, analyse de données

Formation Machine learning, l'état de l'art

4,4 / 5
Séminaire
Best
Durée : 2 jours
Réf : MLE
Prix  2021 : 2030 € H.T.
Pauses et déjeuners offerts
  • Programme
  • Participants / Prérequis
  • Intra / sur-mesure
  • avis clients
Programme

Ce séminaire détaille les enjeux liés au traitement de la donnée par l'Intelligence Artificielle, et en particulier par les algorithmes du Machine Learning. Il montre aux décideurs, les principaux algorithmes du domaine, les solutions concrètes et la démarche de projet à appliquer selon les cas d'usages en entreprise.

Objectifs pédagogiques

À l’issue de la formation, le participant sera en mesure de :
  • Comprendre les enjeux de l'utilisation du Machine Learning dans l'entreprise
  • Positionner le Machine Learning dans la chaîne de traitement de la donnée
  • Distinguer les compétences nécessaires ou les profils à recruter
  • Identifier les clés de réussite d'un projet autour du Machine Learning

Méthodes pédagogiques

Illustration par des cas concrets. Présentation des principaux cas d'usage selon les secteurs d'activités (Automobile, industrie, biens de consommation, finance, santé énergie, agriculture, transports, télécommunication...).
PROGRAMME DE FORMATION

Histoire du Machine Learning et contexte du Big Data

  • Replacer à leur échelle les concepts d'Intelligence Artificielle, apprentissage automatique (machine learning)...
  • Le lien avec les mathématiques, les statistiques (inférentielles), le data mining et la data science.
  • Passer de l'analyse descriptive à l'analyse prédictive puis prescriptive.
  • Les applications du Machine Learning (moteurs de recherche, détection des spams, lecture des chèques).
  • La typologie des algorithmes de Dominique CARDON.
  • La communauté Data Science et les challenges Kaggle (ex. de Netflix).

Etude de cas
Etudes d'applications concrètes du Machine Learning (moteurs de recherche, détection des spams, lecture des chèques).

Les données à disposition : collecte et préparation

  • Données structurées, semi-structurées et non structurées.
  • Nature statistique des données (qualitatives ou quantitatives).
  • Objets connectés (IoT) et streaming.
  • Opportunités et limites de l'Open Data.
  • Identification des corrélations, problème de la multicolinéarité.
  • Réduction des dimensions par Analyse des Composantes Principales.
  • Détection et correction des valeurs aberrantes.
  • Les ETL (Extract Transform Load).
  • Le Web scraping.

Démonstration
Démonstration d'un ETL (Extract Transform Load). Recueil de données Web.

Les outils du marché pour le traitement de la donnée et le Machine Learning

  • Les logiciels traditionnels (SAS, SPSS, Stata...) et leur ouverture à l'Open Source.
  • Choisir entre les deux leaders Open Source : Python et R.
  • Plateformes Cloud (Azure, AWS, Google Cloud Platform) et solutions SaaS (IBM Watson, Dataïku).
  • Nouveaux postes en entreprises : data engineer, data scientist, data analyst, etc.
  • Associer les bonnes compétences à ces différents outils.
  • Les API en ligne (IBM Watson, Microsoft Cortana Intelligence...).
  • Les chatbots (agents conversationnels).

Démonstration
Démonstration d'un chatbot (agent conversationnel) et d'Azure Machine Learning.

Les différents types d'apprentissage en Machine Learning

  • Apprentissage supervisé : répéter un exemple.
  • Apprentissage non supervisé : découvrir les données.
  • Online (Machine) Learning par opposition aux techniques batch.
  • Reinforcement learning : optimisation d'une récompense.
  • Autres types d'apprentissage (par transfert, séquentiel, actif...).
  • Illustrations (moteurs de recommandation...).

Démonstration
Démonstrations sur les différents types d'apprentissage Machine Learning possibles.

Les algorithmes du Machine Learning

  • Régression linéaire simple et multiple. Limites des approches linéaires.
  • Régression polynomiale (LASSO). 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.

Démonstration
Démonstration des différents algorithmes de base sous R ou Python.

Procédure d'entraînement et d'évaluation des algorithmes

  • Séparation du jeu de données : 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.

Démonstration
Démonstration du choix du meilleur algorithme.

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.
  • Evaluation du coût de fonctionnement en production.

Démonstration
Démonstration d'API de géolocalisation et d'analyse de sentiments.

Aspects éthiques et juridiques liés à l'Intelligence Artificielle

  • Missions de la CNIL et évolutions à venir.
  • Question du droit d'accès aux données personnelles.
  • Question de la propriété intellectuelle des algorithmes.
  • Nouveaux rôles dans l'entreprise : Chief Data Officer et Data Protection Officer.
  • Question de l'impartialité des algorithmes.
  • Attention au biais de confirmation.
  • Les secteurs et les métiers touchés par l'automatisation.

Réflexion collective
Réflexion en commun pour identifier les clés de réussite.

Participants / Prérequis

» Participants

Dirigeants d'entreprise (CEO, COO, CFO, SG, DRH...), DSI, les CDO, responsables informatiques, consultants, responsables de projets Big Data.

» Prérequis

Posséder une culture informatique de base. La connaissance des bases des mathématiques statistiques est un plus.
Intra / sur-mesure

Demande de devis intra-entreprise
(réponse sous 48h)

Vos coordonnées

En cochant cette case, j’atteste avoir lu et accepté les conditions liées à l’usage de mes données dans le cadre de la réglementation sur la protection des données à caractère personnel (RGPD).
Vous pouvez à tout moment modifier l’usage de vos données et exercer vos droits en envoyant un email à l’adresse rgpd@orsys.fr
En cochant cette case, j’accepte de recevoir les communications à vocation commerciale et promotionnelle de la part d’ORSYS Formation*
Vous pouvez à tout moment vous désinscrire en utilisant le lien de désabonnement inclus dans nos communications.
* Les participants inscrits à nos sessions de formation sont également susceptibles de recevoir nos communications avec la possibilité de se désabonner à tout moment.
Avis clients
picto avis clients
CLÉMENT R. 24/06/2021
4 / 5
Le format distanciel induit de modifier les formations et leurs déroulés. Bien qu’intéressante, la formation a été conduite comme si nous étions en présentiel. Or, il est nécessaire d’adapter afin de garder l’attention et l’intérêt des élèves. Idem, le support de formation est un PPT de plus de 100 slides. Cela semble perfectible.

ABBAS G. 24/06/2021
5 / 5
formation très intéressante et utile, le formateur maitrise bien le sujet et il a une grande capacité à transmettre sa connaissance et son savoir.

ORAIN F. 01/04/2021
4 / 5
Bonne animation, mais j’attendais surement plus d’éléments techniques que de raison pendant ces 2 jours. Poursuite vers la formation de 4 jours ?

RAFFIN V. 01/04/2021
4 / 5
Très bien. Mais j’aurai aimé qu’il y ai plus de pratique

FUCHS P. 12/01/2021
5 / 5
la seconde journée bien plus riche et plus en rapport avec nos activités

NATHALIE G. 12/01/2021
4 / 5
Module de formation très dense et très technique surtout la 1ère journée. Intérêt surtout satisfaisant pour la seconde journée. Temps accordé un peu trop rapidement sur certains sujets.

EMMANUEL B. 12/01/2021
4 / 5
Très bonne pédagogie de la part de la personne qui a dispensé la formation Machine Learning.

ALIZEE C. 12/01/2021
5 / 5
Tres pedagogique

FLORIAN B. 12/01/2021
3 / 5
Contenu pas forcément adapté à mes attentes (qui étaient plus techniques)

CHARLES L. 07/01/2021
5 / 5
Une formation parfois au dessus de mes compétences mathématiques mais intéressante au regard des exemples d’applications données par la formatrice

CHARLES HENRI G. 07/01/2021
4 / 5
La pédagogie était très bien. En revanche, j’aurais aimé plus de concret, en mode TP avec Python. Là, ça reste très magistral et donc très large, mais pas très détaillé.

RONALD K. 07/01/2021
5 / 5
Le compte est plutôt dense vu le temps imparti. Cela dit, le sujet est largement couvert et bien illustré, et la petite phase de révision à la fin de la formation a été très utile

PATRICK B. 19/11/2020
5 / 5
Beaucoup de contenu, avec une partie theorique tres importante.

DIDIER B. 19/11/2020
5 / 5
Tes bonne communication, contenu très dense mais bien expliqué. A recommander

ANTHONY C. 19/11/2020
5 / 5
Présentation très claire du formateur. Contenu très dense et très complet.

SÉBASTIEN P. 19/11/2020
5 / 5
Bravo au formateur pour la qualité d’animation en video conf ! - chap 3 moins intéressant pour mon profil (trop haut niveau - insuffisamment tech) - chap algo - math : + difficile pour moi (expérience SI - IT) même si bien illustré mais cela m’a permis de revoir les notions et de relancer mes lectures - cours en ligne - écrire tous les termes utilisés (ex. dendogramme) dans le support + préciser termes en anglais [ea

LUDWIK K. 19/11/2020
5 / 5
Le contenu est très intéressant et permet d’avoir une vue générale sur le ML.

FRANCILLON . 19/11/2020
5 / 5
Un savant mélange entre théorie et pratique. Le programme est equilibré entre mathématiques, IT, démos, et est agréable à suivre quel que soit son profil.

ADRIEN D. 19/11/2020
4 / 5
Un peu abstrait au début. Plus intéressant à partir de la présentation des algorithmes.

PASCAL R. 19/11/2020
4 / 5
Formation intéressante mais assez rapidement difficile d’aspect surtout lorsque l’on ne connait que très vaguement le domaine. Le tour d’horizon semble complet mais chaque sujet est passé un peu trop rapidement et 2 jours semblent donc insuffisants.

BAO LONG PASCAL T. 19/11/2020
5 / 5
M.Emmanuel Blondel est un excellent formateur. Sujet parfaitement maîtrisé. Très pédagogue. Merci

FRÉDÉRIC E. 19/11/2020
5 / 5
Excellente formation.

MAXIME G. 19/11/2020
4 / 5
Le contenue est complet (trop?) mais finalement tout est un peu rapidement survolé. L’animation était de qualité. Cette formation, dans son contenue est très orienté business et moins pertinente pour un académique. La formation, surtout en distant, gagnerait à avoir un document de cours plus complet type polycopié et un support "slide" moins verbeux.

KAMEL K. 19/11/2020
5 / 5
Une formation axée sur les cas concrets où nous n’avons pas trop perdu de temps sur l’aspect pur et dur des mathématiques. Parfois un peu rapide, mais dû à la densité du contenu. A la fin, on a bien les éléments qui nous permettent de creuser tel ou tel sujet.

BENOIT B. 19/11/2020
5 / 5
contenu très dense mais bien couvert et assez équilibré. Niveau des prérequis assez conséquent et pluridisciplinaire, un peu de surprise à ce niveau.

YANNICK L. 17/09/2020
2 / 5
*** NB. J’ai bien remis mon évaluation négative à la formatrice et ai signalé ce fait à votre accueil au 17e étage de l’Arche de la Défense, m’attendant à ce qu’elle disparaisse en route. *** La formatrice a une vision très fermée du Machine Learning en entreprise, exclusivement celle d’un "Data Scientist," rejette ce qui ne relève pas de ses responsabilités "le Data Architect-Busine

RICHARD S. 17/09/2020
5 / 5
Très bonne formation pour démarrer, qualitativement et quantitativement. Formatrice dynamique et passionnée
Avis clients 4,4 / 5

Les avis clients sont issus des feuilles d’évaluation de fin de formation. La note est calculée à partir de l’ensemble des avis datant de moins de 12 mois.

CLASSE A DISTANCE

En inter et en intra-entreprise
Inscrivez-vous ou contactez-nous !

Pour vous inscrire

Cliquez sur la ville, puis sur la date de votre choix.
[+]
CLASSE A DISTANCE
[+]
PARIS

Horaires

Les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45.
Pour les stages pratiques de 4 ou 5 jours, les sessions se terminent à 15h30 le dernier jour.