Data Science

Objectifs

• Définir les étapes de préparation des données, et les algorithmes de Machine Learning
• Organiser le traitement des données et structurer les processus de Machine Learning.

Programme

Introduction

• Zoom sur les données : format, volumes, structures, …
• et les requêtes, attentes, des utilisateurs.
• Etapes de la préparation des données.
• Définitions, présentation du data munging
• Le rôle du data scientist.

Etude de cas

• Mise en oeuvre pratique des différentes phases : nettoyage,enrichissement,organisation des données.

Machine Learning

• Définition, les attentes par rapport au Machine Learning
• Les valeurs d’observation, et les variables cibles.
• Ingénierie des variables

Apprentissage automatique

• Les méthodes : apprentissage supervisé et non supervisé
• Classification des données,
• Algorithmes : régression linéaire, k-voisins,classification naïve bayésienne, arbres de décision, etc ..

Les risques et écueils

• Importance de la préparation des données.
• L’écueil du « surapprentissage ».

Visualisation des données

• L’intérêt de la visualisation.
• Outils disponibles,
• Exemples de visualisation avec R et Python