Formation Machine Learning : État de l'art et bonnes pratiques Transformer des volumes massifs de données en informations utiles

4.3 sur 5 étoiles

5 étoiles
33%
4 étoiles
66%
3 étoiles
0%
2 étoiles
0%
1 étoile
0%
Voir les 9 avis
(9 avis)
Durée 2 jours
Niveau Intermédiaire
Classe à distance
Possible

Vous pouvez suivre cette formation en direct depuis votre domicile ou votre lieu de travail. Plus d'informations sur notre solution de classe à distance...

Référence OMLE
Éligible CPF Non

Le machine learning, ou apprentissage automatique, existe depuis les années 1950. Il fonctionne grâce à la théorie des probabilités et ne s’inscrit pas dans la même logique que la programmation standard qui se structure elle autour d’hypothèses (si … alors … sinon …).

Concrètement il n’y a pas de règle de construction, le programme apprend statistiquement à l’aide de corpus déjà traduits et traverse donc une phase d’apprentissage durant lequel il traite les données et se calibre. Bien entendu, cette approche requiert des données et avec l’avènement du Big Data conjugué à la démocratisation de la puissance de calcul et des outils disponibles facilement sur le Cloud, le Machine Learning devient une réalité beaucoup plus facile à mettre en œuvre qu’auparavant.

Cette formation Machine Learning vous permettra d'accompagner un projet d’intelligence artificielle dans sa globalité, tout en étendant votre boîte à outils personnelle.

Objectif opérationnel :

Disposer d'une vision globale des concepts, techniques et outils qu’offrent le Machine Learning pour la bonne mise en œuvre d’un projet.

Objectifs pédagogiques :

Concrètement, à l'issue de cette formation Machine Learning, vous serez à même de :

  • Comprendre les concepts de l’IA et la place du Machine Learning par rapport au Big Data
  • Appréhender les apports concrets du Machine Learning pour les entreprises
  • Positionner le Machine Learning dans les applications qui manipulent les données
  • Identifier les principaux outils et acteurs du marché
  • Classifier les différents algorithmes selon les cas d’usage
  • Adopter une démarche projet en fonction des cas d’usages
  • Identifier les risques et les éléments de réussite d’un projet basé sur le machine Learning

Public :

Ce cours Machine Learning s’adresse essentiellement à des dirigeants, des directeurs ou responsables SI, directeurs techniques, responsables informatique qui doivent comprendre les mécanismes du Machine Learning pour envisager un projet d’optimisation et transformation massive de données.

Toute personne souhaitant se sensibiliser au Machine Learning pourra aussi suivre cette formation : consultant, responsable projet Big Data.

Prérequis :

Pour suivre cette formation Machine Learning, il est recommandé de connaître les principaux algorithmes du Machine learning et d’avoir des notions de probabilité ou statistiques (scolaire), ainsi qu’une bonne culture informatique générale.

Jour 1

Introduction au Machine Learning

Situer le Machine Learning dans l’évolution et l’histoire du Big Data
Définir les concepts d'Intelligence Artificielle et d’apprentissage automatique (Machine Learning)
Comprendre les différences entre l’analyse descriptive, l'analyse prédictive puis prescriptive.
Exemples d’application du Machine learning pour divers directions ou métier : marketing, vente, logistique, RH, santé, transport, la sécurité, l’énergie, la distribution, le luxe, le tourisme...
Déterminer les résultats et bénéfices attendus du Machine Learning
DémonstrationDétection de transaction frauduleuse, prédiction des ventes dans l’immobilier, consommation électrique en ville

Machine Learning, outils et acteurs du marché

Identifier les bibliothèques les plus utilisées (TensorFlow, Keras, Pytorch, Scikit learn).
Choisir entre les deux leaders Open Source : Python et R.
Plateformes Cloud (Azure, AWS, Google Cloud Platform) et solutions SaaS (IBM Watson, Dataïku).
Connaitre les API en ligne (IBM Watson, Microsoft Cortana Intelligence, IA AWS ..) et les chatbots
DémonstrationCréation d’un agent conversationnel (Chatbots), Système de recommandation  

La donnée et les apprentissages en Machine Learning

Identifier les données structurées, semi-structurées et non structurées
Choisir la nature statistique des données (qualitatives ou quantitatives)
Définir la typologie des algorithmes :
- Apprentissage supervisé : répéter un exemple-
- Apprentissage non supervisé : découvrir les données 
- Reinforcement Learning : optimisation d'une récompense 
- Les autres types d'apprentissage (par transfert, séquentiel, actif...)
Faire le lien entre les mathématiques, le Big Data, l’IA et le machine Learning
Étude de casComprendre et reconnaitre les différentes typologies d’algorithmes (différences supervisé non supervisé). Nous présentons des contextes de données différents (format, volume, etc.) et des « attentes projets ». Vous devez classer les différents cas présentés par type d’algorithme à mettre en œuvre pour atteindre les objectifs du projet présenté.

Les principaux algorithmes du machine Learning

Utiliser la régression linéaire simple et multiple
Tester la régression polynomiale
Définir les séries temporelles
Comprendre la régression logistique et applications en scoring
Identifier la classification hiérarchique et non hiérarchique (KMeans)
Définir une classification par arbres de décision ou approche Naïve Bayes
Utiliser le Ramdom Forest (développement des arbres de décision)
Gradiant Boosting
Réseaux de neurones
Machine à support de vecteurs
Étude de casDémonstration réseau de neurones reconnaissance de caractères manuscrits (MNIST)Jour 2

Démarche Machine Learning dans le traitement de la donnée

Prévoir la collecte et la préparation des données 
Identification des corrélations
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
ExercicePréparation d’un jeu de données - Nettoyage des données et valeurs manquantes

Mise en pratique : 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
Étude de casComprendre les différentes mesures de performance d’un algorithme et leurs utilisations à travers des exemples fournis dans votre espace de travail

Envisager la 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
Étude de casMise en place d’un projet simple de Machine Learning en python à l’aide d’API (concrètement on utilise des algorithmes « tout faits » qu’il reste juste à paramétrer).

Mise en Å“uvre et gestion de projet impliquant du Machine Learning

Les spécificités d’un projet Machine Learning, son cycle de vie
Identifier les différents acteur d’un projet et post-projet
Définir les nouveaux rôles dans l'entreprise : chief data officer, data protection officer, data engineer, data scientist, data analyst, data miner...
Déterminer les prestataires externes et l’écosystème interne à l’entreprise
Préparer sa roadmap de la mise en œuvre du machine Learning (avant, pendant et après le projet)
Mise en place d’un Proof Of Concept
Prévoir rétro planning, CheckList et bonnes pratiques d’un projet Machine Learning
Protection et droit d’accès aux données personnelles
L’accompagnement aux changements nécessaire (formation, communication, management)
Réflexion : Échanges selon les spécificités métiers et activité de chacun
Date de mise à jour du programme : 21/02/2024

Dates et lieux

1
2
3
Du 06 au 07 mai 2024
Session garantie
Lieu
Distanciel
Durée
2 jrs
1480 € HT
Du 06 au 07 mai 2024
Session garantie
Lieu
Paris
Durée
2 jrs
1480 € HT
Du 27 au 29 mai 2024
Lieu
Distanciel
Durée
2 jrs
1480 € HT
Du 27 au 29 mai 2024
En bonne voie de maintien
Lieu
Paris
Durée
2 jrs
1480 € HT
Du 03 au 04 juin 2024
Lieu
Distanciel
Durée
2 jrs
1480 € HT
Du 03 au 04 juin 2024
Lieu
Paris
Durée
2 jrs
1480 € HT
Du 01 au 02 juillet 2024
Lieu
Distanciel
Durée
2 jrs
1480 € HT
Du 01 au 02 juillet 2024
Lieu
Paris
Durée
2 jrs
1480 € HT
Du 15 au 17 juillet 2024
Lieu
Distanciel
Durée
2 jrs
1480 € HT
Du 15 au 17 juillet 2024
Lieu
Paris
Durée
2 jrs
1480 € HT
1
2
3

Logo partenaire action collective de l'OPCO Atlas Votre formation Machine Learning prise en charge jusqu'à 100% des coûts pédagogiques ! *

Depuis 2011, PLB Consultant est partenaire des Actions Collectives Atlas pour vous proposer les meilleures formations informatique et développer vos compétences dans le Numérique :

- En présentiel dans l’une de nos salles en Régions     
- Ã€ distance depuis votre bureau     
- Sessions intra-entreprise dans toute la France.

* jusqu'à 100% des coûts pédagogiques selon votre branche d'activité dans la limite des fonds mutualisés dédiés aux actions collectives et en application des critères de prise en charge en vigueur (cf conditions détaillées sur le site d'Atlas)

Avis des participants à la formation Machine Learning : État de l'art et bonnes pratiques

Note moyenne de 4.3/5(9)

Les avis figurant ci-dessous sont issus des fiches d’évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.

KL
4/5

Mon avis sur le contenu du stage :

"Parfois un peu de mal a retrouver sur quel powerpoint on est , les manipulations des outils sont super intéressantes mais il faut être très concentré pour jongler entre les deux "

Mon avis sur le formateur :

"C'était la première fois que le formateur réalisait cette prestation et j'ai trouvé que parfois il pouvait être un peu long sur certains cas pratiques et un peu trop rapide sur la théorie ( ce qui peut très bien convenir à d'autres profils )"

Ce que j'ai le plus apprécié :

"Avant la formation on est bien pris en main , mail, espace privé, explication"

Ce que j'ai le moins apprécié :

"/"

WALLYN Olivier
5/5

Mon avis sur le contenu du stage :

"Super cours beaucoup de choses apprises"

Mon avis sur le formateur :

"Super pédagogue, dynamique "

Ce que j'ai le plus apprécié :

"la facilité d'échange"

Ce que j'ai le moins apprécié :

"RAS"

LR
4/5

Mon avis sur le contenu du stage :

"N/A"

Mon avis sur le formateur :

"N/A"

Ce que j'ai le plus apprécié :

"Les échanges avec le formateur et les autre participants"

Ce que j'ai le moins apprécié :

"N/A"

TA
5/5

Mon avis sur le contenu du stage :

"Bien"

Mon avis sur la salle de formation :

"formation intra entreprise"

Damien
4/5

Mon avis sur le contenu du stage :

"Le livre fourni en support à l'air d'êtres très utile."

KB
4/5

Ce que j'ai le plus apprécié :

"répond à tous les questions, pédagogue"

GY
5/5

Mon avis sur le formateur :

"Grande expérience, sur des cas d'usage variés"

BP
4/5
MB
4/5


Formations Informatique
et Management
en ligne à ce jour

+
Stagiaires dans nos salles
de cours sur
l'année

%
De participants satisfaits
ou très satisfaits de nos
formations


Formateurs experts
validés par
PLB