Fermer
  • Accueil
  • Data
  • Découvrez les applications du Machine Learning en entreprise

Formation Découvrez les applications du Machine Learning en entreprise

  • Data
  • Formation détaillée
Une technologie à haute valeur ajoutée si ses risques sont maîtrisés
Durée
Tarif
2197 € / pers. HT
Durée
Tarif
2197 € / pers. HT

Formation Découvrez les applications du Machine Learning en entreprise

Prix
2197€ / pers. HT

Objectifs

  • Comprendre l’histoire, l’utilité et la nature du Machine Learning
  • Adopter une vue d’ensemble des algorithmes les plus couramment utilisés ainsi que des méthodologies cruciales pour appliquer avec succès le Machine Learning
  • Appréhender les différentes dimensions éthiques entremêlées au Machine Learning, au regard de la future règlementation européenne en matière d’intelligence artificielle
  • Identifier les facteurs de succès clefs pour une industrialisation réussie et un cycle de vie performants des modèles de machine learning

Programme

1 – Introduction

  • Où trouve-t-on du machine learning ? Les systèmes d’aide à la décision, les séries temporelles, le traitement automatique d’images, le traitement du langage naturel.
  • Qu’est-ce que le machine learning ? Brève histoire de l’intelligence artificielle, l’automatisation des tâches intellectuelles, les avantages et inconvénients du machine learning, illustration sur la détection de spam.
  • Quelle règlementation autour de l’intelligence artificielle ? L’AI Act, les exigences de la future règlementation européenne sur les intelligences artificielles, les cas d’usage à haut risque, l’écosystème des labels et des normes.

2 – Les modèles linéaires

  • Quels sont les algorithmes les plus simples ? La moyenne, la régression linéaire et la régression logistique.
  • Comment fonctionne l’apprentissage ? La descente de gradient, la descente de gradient par batch ou stochastique, application au jeu de données Boston.
  • Comment évaluer un modèle ? Les métriques de performances en régression, en classification, le jeu de test.

3 – Vers des modèles plus complexes

  • Pourquoi les modèles linéaires ne suffisent pas ? Les signaux non-linéaires, la régression polynomiale, le sur-apprentissage.
  • Comment choisir les paramètres d’un modèle non-linéaire ? Le compromis biais/variance, les paramètres de complexité des modèles.
  • Comment combattre le sur-apprentissage ? Le jeu de validation, application au jeu de données Titanic.

4 – Panorama des modèles prédictifs

  • Qu’est-ce qu’un arbre de décision ? Construction de l’arbre pas à pas, en régression, en classification, élagage des arbres et compromis biais/variance.
  • Comment combiner des arbres parallèles en forêts aléatoires ? Les perturbations par bootstrap et le bagging, le feature sampling, avantages et inconvénients des forêts aléatoires.
  • Comment combiner des arbres séquentiels avec le gradient boosting ? Le principe du boosting,
    l’algorithme historique : Adaboost, application au jeu de données Titanic.

5 – L’intelligence artificielle de confiance

  • Comment rendre les modèles transparents ? La notion d’explicabilité, propriétés attendues d’un
    modèle explicable, importance de permutation, les valeurs de Shapley, explainable boosting machine.
  • Comment calculer les incertitudes des modèles ? Applications industrielles, la librairie open-source
    MAPIE, couvertures marginales et conditionnelles, application aux séries temporelles.
  • Comment s’assurer que les modèles sont non-discriminants ? Applications business, les différents biais dont se nourrissent les intelligences artificielles, mesurer et corriger un biais, application au cas du recrutement automatique.

6 – L’apprentissage non-supervisé

  • Comment identifier des groupes similaires ? Les cas d’usage de segmentation, les algorithmes K-means et DBSCAN et leurs limitations, l’absence de métrique de performance.
  • Comment détecter des anomalies ? Les cas d’usage de détection d’anomalies, les algorithmes basés sur des distances ou sur la densité, application à la détection de pulsation cardiaques anormales.
  • Comment réduire la dimension d’un jeu de données ? Les cas d’usage de la réduction de dimension, l’analyse en composantes principales et la projection sur des variétés. Application au jeu de données MNIST.

7 – Industrialisation du machine learning

  • Quelles sont les technologies liées au Big Data ? Les 4 V du Big Data, panorama technologique, la stack hadoop/spark, les providers cloud.
  • Comment industrialiser un modèle ? Les produits à base d’intelligence artificielle, les profils nécessaires au cours d’un projet applicatif, la chaîne de décision au cours d’un projet.
  • Comment maîtriser le cycle de vie d’un modèle en production ? Le cycle de vie des modèles et analogie avec l’épopée industrielle de la voiture, les neuf étapes du cycle de vie des modèles.

 

Afficher plus

À qui s’adresse
cette formation ?

Public

Les responsables informatiques et leurs équipes.

Prérequis

Aucun.

Animateur

Le mot de l'animateur

« Cette formation, illustrée par de nombreux exemples sur des jeux de données réels, propose une approche didactique du Machine Learning. Elle s’adresse à tous ceux qui veulent comprendre ce que ce domaine peut apporter, challenger leurs équipes ou utiliser le Machine Learning au quotidien. Je vous donnerai les clés de compréhension et les points d’attention et de précaution pour une mise en œuvre efficace dans l’entreprise. »
Grégoire MARTINON
Découvrir l'animateur

Modalités

Méthodologie pédagogique

Cette formation concrète et pragmatique est illustrée par de nombreux exemples pratiques issus d’une expérience et d’un savoir-faire acquis sur de nombreux projets de taille variée au sein d’établissements et d’entreprises de différents secteurs. Support de cours téléchargeable en début de formation.

Méthodologie d’évaluation

Le stagiaire reçoit en amont de la formation un questionnaire permettant de mesurer les compétences, profil et attentes du stagiaire. Tout au long de la formation, les stagiaires sont évalués au moyen de différentes méthodes (quizz, ateliers, exercices et/ou de travaux pratiques, etc.) permettant de vérifier l'atteinte des objectifs. Un questionnaire d'évaluation à chaud est soumis à chaque stagiaire en fin de formation pour s’assurer de l’adéquation des acquis de la formation avec les attentes du stagiaire. Une attestation de réalisation de la formation est remise au stagiaire.

À qui s’adresse
cette formation ?

Public

Les responsables informatiques et leurs équipes.

Prérequis

Aucun.

Autres formations sur le même thème