Logo de la rubrique Formation Les bases pour apprendre à valoriser vos données avec le Machine Learning

Formation Les bases pour apprendre à valoriser vos données avec le Machine Learning

Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici



Deux jours pour obtenir les bases nécessaires à l’identification et la conduite de projets de valorisation de données par apprentissage machine.

Lorsqu’on s’intéresse à la valorisation des données, on peut difficilement ignorer le Machine Learning (Apprentissage Machine), élément clé de l’Intelligence Artificielle et des Data Sciences, tant les promesses de son usage sont largement louées et deviennent un enjeu stratégique pour nos entreprises.

Nous n’avons certainement pas tous vocation à devenir des Data Scientists, mais, que nous fassions partie des Directions Générales, Marketing, Innovation, R&D, ou encore des Systèmes d’Information, nos objectifs sont bien souvent de disposer de connaissances suffisantes pour orienter les réflexions et les travaux d’innovation dans nos entreprises.

Cette formation répond à ces objectifs en s’appuyant sur des exemples simples et intuitifs afin d’introduire les principaux concepts de l’apprentissage machine. Elle privilégie la compréhension méthodologique plutôt que les détails théoriques et techniques. Nous nous attachons en particulier à comprendre pourquoi et comment ces systèmes sont efficaces.

Lors de cette formation nous abordons un ensemble d’applications et de méthodes en les situant dans une structure méthodologique globale, en montrant leurs liens, en les illustrant par des exemples et en discutant leurs forces et leurs faiblesses.

PROGRAMME

Jour 1 : 9h00 - 17h00

1. Introduction
- Présentation des participants
- Echange sur les attentes
- Discussion pour choisir certaines orientations de la formation (théorie vs pratique, cas pratiques, outils, démonstrations)
- Identification de cas d’usage d’intérêt pour les ateliers

2. Qu’est-ce que l’apprentissage machine ?
- Exemples d’applications et enjeux économiques
- Quelques exercices pour comprendre des principes fondamentaux
- Définition et relation avec l’algorithmie, les statistiques et l’intelligence artificielle

3. Premiers algorithmes d’apprentissage machine
- K-plus proche voisins et K-means
- Familles d’algorithmes : régression, classification
- Possibilités de mise en œuvre
- Challenges

4. Mise en place d’une démarche projet (partie 1)
- Compréhension et formalisation du problème
- Collecte, visualisation et préparation des données
- Réduction de la dimension, choix des caractéristiques et de la mesure de similarité
- Atelier : Par groupe, choix d’un cas d’usage d’intérêt, formalisation du problème puis présentation devant les autres groupes.
- Démonstration : Mise en œuvre sur un cas pratique (partie 1)

5. Régressions
- Fonction hypothèse et fonction de coût
- Optimisation de la fonction de coût
- Familles d’algorithmes de régression

6. Mise en place d’une démarche projet (partie 2)
- Valider et comprendre les résultats
- Architecture et Mise en production
- Logiciels libres, Plateformes et Software as a Service (PaaS, SaaS)
Démonstration : Mise en œuvre sur un cas pratique (partie 2)

Jour 2 : 9h00 - 17h00

7. Classification
- Classification supervisée et frontières de décision
- Classification non supervisée
- Eléments de probabilités conditionnelles
- Arbres de décision
- Atelier : Par groupe, définition d’une stratégie pour le cas d’usage d’intérêt choisi lors du 1er atelier.
- Démonstration : Mise en œuvre sur un cas pratique (partie 3)

8. Réseaux de neurones
- Historique, difficultés et avancées majeures
- Réseaux de neurones multicouches et profonds
- Auto-encodeurs et réseaux de neurones convolutionnels
- Démonstration : Exemple d’application (dans le cloud et/ou avec Python)

9. Séries temporelles
- Séries numériques et approches traditionnelles
- Séquences d’évènements
- Fusion de capteurs

10. Pour aller plus loin : Réseaux de neurones récurrents et apprentissage par renforcement
- Réseaux de neurones récurrents, Réseaux à mémoire
- Analyse du langage naturel
- Démonstration : Exemple d’application (dans le cloud et/ou avec Python)
- Apprentissage par renforcement
- Démonstration : Exemples d’application

9. Conclusion
- Synthèse
- Comment aller plus loin ?
- Questions et échange sur la formation

Objectif :
Fournir aux décideurs , managers et ingénieurs les éléments pour mieux appréhender l’apprentissage machine,
Acquérir les bases qui permettront de mettre en place et approfondir des applications pratiques.

Public visé :
tout public souhaitant comprendre les notions de base du Machine Learning

Prérequis :
Pas de connaissance particulière requise

Date et lieu :
28 et 29 octobre 2020

- Viveris
32-36 rue de Bellevue
92100 BOULOGNE BILLANCOURT

Transport :
M10 Boulogne Pont de Saint Cloud + 7min

Participation aux frais :

- Prix préférentiel pour les adhérents CAP’TRONIC : 900 € HT par personne pour les 2 jours

- Si vous êtes une PME non adhérente :
Vous pouvez adhérer à l’association JESSICA France. Pour cela contacter Florence CAGNARD
Modalités d’adhésion

- Pour les entreprises non éligibles et les PME non adhérentes : 1200 € HT soit 1440 € TTC pour les 2 journées et par personne.

Remarque :

Jessica France est titulaire d’un numéro d’agrément de formation continue et est référencé DATADOCK depuis le 1er juillet 2017. La prise en charge de cette formation est donc possible par les Organismes Paritaires Collecteurs Agréés (OPCA) mais attention, l’étude de votre dossier peut prendre plusieurs semaines, renseignez-vous dès maintenant et inscrivez-vous au plus tôt.

Les inscriptions sont closes. Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici

info portfolio