Data Science

Machine Learning

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
(Formation suivante) IBM SPSS modeler niveau 3 _ l’automatisation
Retour à Data Science

Pas de commentaires

Donner un commentaire