Contexte

Dans un contexte de plus en plus orienté vers la gestion de masses importantes de données, le Machine Learning recouvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement, à partir de ces données, des modèles de prédiction et de prise de décision.

Ce cours s’attache à articuler les approches majeures du domaine en mettant en exergue les fondements théoriques sur lesquels elles reposent et qu’elles partagent parfois.

Cette présentation théorique est émaillée de démonstration et de "cours-TP", c'est-à-dire de mises en pratique réalisées par l'enseignant, mais que les participants peuvent dérouler en parallèle sur leur poste de travail.

ObjectifS

A l'issue de cette formation, le participant sera en capacité de :
- PERMETTRE aux ingénieurs d’utiliser à bon escient et de paramétrer convenablement les algorithmes d'apprentissage automatique habituellement disponibles.
- CONSTITUER un socle généraliste préparant à une activité de recherche dans ce domaine très actif.

PROGRAMME

Apprentissage statistique
- Formalisation statistique du problème, risques et contrôle du risque, bornes.
- Substituts du risque (classification, convexité et calibration), régularisation.
Méthodes d'ensemble
- Arbres de décision.
- Bagging, boosting.
Machines à vecteurs supports (SVM) et méthodes à noyaux
- Optimisation lagrangienne et maximisation de la marge.
- Méthodes à noyaux.
- SVMs de classification, régression, one-class.
Quantification vectorielle
- Principe de minimisation de distorsion et ses conséquences, k-means, cartes auto-organisatrices.
- Réseaux incrémentaux (Growing Neural Gas, ...), cas des distributions non-stationnaires.
Deep Learning
- Architectures, régularisations, algorithmes de descente de gradient.
- Réseaux feedforward, convolutifs, récurrents.
Conditionnement des données et réduction de dimension
- Sélection de variables.
- Analyse en composantes principales (PCA), eigenface, kernel PCA, t-SNE.
Apprentissage bayésien
- Principes généraux de l’inférence bayésienne : estimateurs (MAP, MLE), modèle des réseaux bayésiens, distribution conjuguée, etc.
- Modèles de base, gaussiens et/ou linéaires, pour l'apprentissage supervisé.
- Approche bayésienne du clustering : modèle de mélange, variables cachées et algorithme EM. Exemple des mélanges de gaussiennes.
- Modèles markoviens : processus markoviens, filtrage et lissage bayésien. Chaînes de Markov cachées et filtrage de Kalman.

Pré-requis

- Notions élémentaires de probabilités, d'algèbre linéaire et de programmation (python).

- Procédure d’admission à cette formation :
Entretien téléphonique avec le/la chargé/e d’affaires pour comprendre vos attentes et votre projet professionnel en lien avec la formation visée.
Envoi de votre CV et/ou lettre de motivation au/à la chargé/e d’affaires puis transmission au responsable pédagogique du parcours qui étudie votre candidature et valide ou non les prérequis nécessaires à la formation. Retour sous 5 jours ouvrés.
Si votre candidature est validée, vous pouvez procéder à votre inscription via le CPF (si la formation y est éligible), ou via le bulletin d’inscription transmis par le/la chargé/e d’affaires.

public concerné

Ingénieur ou chef de projet souhaitant considérer les techniques d'apprentissage automatique dans la résolution de problèmes industriels, doctorants en entreprise.

en pratique

Méthodes pédagogiques

Cours magistraux (tableau, diaporama) à distance.
Démonstrations.
Travaux pratiques.

Moyens pédagogiques

Séance à distance.
Se prémunir d'un ordinateur.
Séance pratique sur ordinateur.

Modalités d'évaluation

L'évaluation des connaissances acquises en formation s'appuie sur la réalisation de mise en situation et des études de cas mises en oeuvre par le formateur.

Les + de la formation

- La formation propose une vue synthétique du domaine, permettant de placer les nombreuses méthodes qui le constituent dans un cadre théorique unifié.

- Les mises en pratique, avec la notion de "cours-TP" allègent les problèmes de prise en main technique pour entrer rapidement dans le vif du sujet, défendent l'idée que l'apport théorique est nécessaire pour ne pas utiliser les algorithmes disponibles comme des "boîtes noires".

- Cette connaissance éclairée est ce qui permet pour un problème concret comme ceux rencontrés dans l'industrie, d'identifier les apports et les limitations de telle ou telle approche et d'en réussir un mise en œuvre opérationnelle.

Statistiques

94%
Satisfaction moyenne pour le contenu de nos formations
(source : synthèse des évaluations des formations du 2nd semestre 2020, sur un échantillon de 1153 participants)

91%
Satisfaction moyenne pour l'adéquation aux attentes des participants
(source : synthèse des évaluations des formations du 2nd semestre 2020, sur un échantillon de 1153 participants)

Votre contact pour cette formation

Rania Ouaret

Directrice Grands Comptes - programmes Intra entreprises et sur mesure

+33 (0)1 75 31 66 14

Prendre un rendez-vous téléphonique

Contacter par email

Ils vous en parlent

« La valorisation des données est un enjeu stratégique pour les entreprises, quel que soit leur secteur d’activité. La compréhension des enjeux des technologies sous-jacentes est un levier fondamental. Nos programmes permettent de comprendre et maitriser les différentes facettes du « big data » : comment cadrer les projets, gérer la sécurité et les aspects juridiques, définir des usages, des architectures et aborder les technologies de stockage distribué, de traitement distribué ou encore d’analyse de données et de machine learning. Cette approche mêlant technologie, métier et juridique permet de prendre en compte toute la diversité du sujet des big data. »

Marie-Aude Aufaure
Responsable pédagogique des programmes Big Data

Machine Learning

Théorie et pratique de l'apprentissage automatique

Ce programme est disponible en intra-entreprises pour former vos collaborateurs.

Contact pour un intra

Télécharger la brochure

Référence :

SM20-23

Prix :

3 500€ (HT)

contact

Contactez-nous pour en savoir plus sur les prochaines dates de ce parcours.

+ Plus de dates
5 jours - 35 heures
Microsoft Teams