Machine learning – Gestion de projet Data

OBJECTIFS :

• Savoir comment analyser les données non-structurées
• Découvrir les méthodes de prédictions automatiques
• Apprendre comment booster son chiffre d’affaires avec un moteur de recommandation
• Être en mesure d’extraire le maximum de valeurs des traces numériques
• Améliorer ses méthodes et les rendre efficaces en environnement de production

PROGRAMME DE FORMATION :

Essentiel de Python et préparation des données

• L’essentiel du langage Python et son environnement de développement
• Nettoyage, exploration et préparation des données avec Pandas

Préambule

• Un tour d’horizon du Machine Learning
• Les limites du Machine Learning. Quels sont les pièges à éviter ?
• Apprendre à réduire la complexité de la solution (feature selection)
• Sur-apprentissage. Détection et remèdes

Méthodes de prédictions automatiques

• Comment prédire des catégories ?
• Comment extraire des tendances ?
• Comment regrouper les données en familles naturelles ?

Text Mining : analyse des données non-structurées

• Exposé des méthodes et Use case et exemples complets :
• Analyse de sentiments
• Découverte et extraction automatique de thèmes et sujets de documents textes
• Text Mining : détection automatique de personnes, de noms de lieux et d’organisations

Exercices pratiques

Analyse de données structurées

• Découverte de catégories
• Algorithme de forêts aléatoires
• Critères de choix de modèles de décision
• Prédiction d’attribution de prêt bancaire

Mise en production des modèles d’analyse

• Apprendre à construire de nouveaux prédicteurs (feature engineering)
• Comment régler la valeur des paramètres ?
• Comment réutiliser les modèles prédictifs appris ?

Analyse de données structurées

• Extraction de tendances
• Régression linéaire et non-linéaire

Ticket Mining : analyse des données non-structurées

• Comment prédire un panier et un parcours dans un magasin
• Analyse de ticket de caisse

Comment Gérer efficacement un projet Data ?

• Quelles sont les méthodes & outils ?
• Quels écueils éviter ?
• Quel acteur de son organisation impliquer pour gérer les projets Data ?
• Quels sont les différents profils dans un projet Data ?
• Comment gérer les compétences dans une équipe data ?

Gouvernance des données

• Le Règlement européen de gestion des données personnelles

Ethique des algorithmes

• Qu’est-ce que c’est ?
• Quelles sont les valeurs que doivent véhiculer les algorithmes ?

Compétition de Data Science sur Kaggle.com

• Mise en œuvre des notions apprises
• Test de divers algorithmes de Machine Learning sur des data-sets réels

INFORMATIONS COMPLÉMENTAIRES :

PUBLIC VISÉ

• Ingénieurs
• Data scientist
• Développeurs
• Analyste BI
• Chargés d’études

PRÉ-REQUIS

• Connaissances de base en codage
• Connaissances de base en langage informatique type Python

RESSOURCES

• Supports pédagogiques
• 40% de théorie
• 60% de pratique

MODALITÉS D’ACCÈS

• Présentiel
• A distance
• Interentreprises
• Intra-entreprise

MÉTHODES PÉDAGOGIQUES

• Apport magistral et interactivité
• Travaux pratiques

ÉVALUATION

• Exercices pratiques
• Mise en situation