1

Introduction au Machine Learning

• Le Big Data et le Machine Learning.
• Les algorithmes d'apprentissage supervisés, non supervisés et par renforcement.
• Les étapes de construction d'un modèle prédictif.
• Détecter les valeurs aberrantes et traiter les données manquantes.
• Comment choisir l'algorithme et les variables de l'algorithme ?

2

Procédures d'évaluation de modèles

• Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
• Test de représentativité des données d'apprentissage.
• Mesures de performance des modèles prédictifs.
• Matrice de confusion, de coût et la courbe ROC et AUC.

3

Les modèles prédictifs, l'approche fréquentiste

• Apprentissage statistique.
• Conditionnement des données et réduction de dimension.
• Machines à vecteurs supports et méthodes à noyaux.
• Quantification vectorielle.
• Réseaux de neurones et Deep Learning.
• Ensemble learning et arbres de décision.
• Les algorithmes de Bandits, optimisme face à l'incertitude.

4

Les modèles et apprentissages bayésiens

• Principes d'inférence et d'apprentissage bayésiens.
• Modèles graphiques : réseaux bayésiens, champs de Markov, inférence et apprentissage.
• Méthodes bayésiennes : Naive Bayes, mélanges de gaussiennes, processus gaussiens.
• Modèles markoviens : processus markoviens, chaînes de Markov, chaînes de Markov cachées, filtrage bayésien.

5

Machine Learning en production

• Les spécificités liées au développement d'un modèle en environnement distribué.
• Le déploiement Big Data avec Spark et la MLlib.
• Le Cloud : Amazon, Microsoft Azure ML, IBM Bluemix...
• La maintenance du modèle.

• Parcours certifiant intégrer des modèles et des services d’intelligence artificielle - Réf. ZIS