Formation Machine learning, l'état de l'art

les concepts d’apprentissage automatique et l’évolution du Big Data vers le Machine Learning

• Définition.
• De la statistique à l'apprentissage automatique.
• Apprentissage automatique : comprendre ou prédire?
• Besoin en puissance de calcul et de stockage.
• Intégration de l'apprentissage automatique dans les fermes de Big Data.
• Les valeurs d'observation, et les variables cibles.
• Ingénierie des variables.  

Appréhender les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d’usage

• Comment automatiser les processus métier.
• Attentes.
• Création de valeur à partir de la donnée.
• Problème du ratio pertinence/volume.
• Les risques et écueils.
• Importance de la préparation des données.
• L'écueil du "surapprentissage".
• Les erreurs d'architecture à éviter.
• Atelier : mise en évidence d'erreurs d'apprentissage sur des données non qualifiées.
• Modélisation automatique.
• Le rôle du data scientist.
• Atelier : démonstration de reconnaissance d'images.    

Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée

• Le pattern MapReduce.
• Exemple d'utilisation.
• Gouvernance des données.
• Qualité des données.
• Transformation de l'information en donnée.
• Qualification et enrichissement.
• Sécurisation et étanchéité des lacs de données.
• Flux de données et organisation dans l'entreprise.
• De la donnée maître à la donnée de travail.
• MDM.
• Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement,organisation des données.
• Zoom sur les données : format, volumes, structures.
• Zoom sur les requêtes, attentes des utilisateurs.
• Etapes de la préparation des données.
• Définitions, présentation du data munging  

Connaitre les outils et les acteurs leaders du marché

• Comparatifs des outils d'apprentissage automatique.
• Les outils en mode local, en mode distribué.
• Les acteurs.
• Leurs outils.
• Atelier : utilisation de scikit learn et de SparkML.
• Comparatif. Apprentissage profond : introduction aux réseaux de neurones.
• Réseaux de neurones à convolution.
• Modèles de CNN.
• L'approche du Deep Learning.
• Deeplearning4j sur Spark.
• TensorFlow sur rig, sur Spark.
• Atelier : mise en oeuvre d'une reconnaissance automatique avec TensorFlow

Découvrir les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise

• Apprentissage supervisé/non supervisé, classification ou régression.
• Algorithme paramétrique ou non-paramétrique, linéaire ou non-linéaire.
• Les méthodes : apprentissage supervisé et non supervisé
• Classification des données,
• Algorithmes : régression linéaire, k-moyennes, k-voisins, classification naïve bayésienne, arbres de décision, forêts aléatoires, ...
• Atelier : classification automatique d'un jeu de données à partir d'une régression logistique
• Création de jeux d'essai, entraînement et construction de modèles. Prévisions à partir de données réelles.
• Mesure de l'efficacité des algorithmes.
• Courbes ROC.
• Parallélisation des algorithmes.
• Choix automatique.
• Atelier : Mise en évidence des erreurs d'apprentissage en fonction des hyper-paramètres    

Identifier les clés de réussite d'un projet intégrant du Machine Learning

• Choix des architecture.
• Comment définir le besoin métier ?
• Extraction et organisation des classes de données.
• Applications aux fermes de calculs distribués.
• Problématiques induites.
• Approximations.
• Précision des estimations
• Analyse factorielle.
• Visualisation des données.
• L'intérêt de la visualisation
• Outils disponibles.