Objectifs de la formation

  • Comprendre le fonctionnement interne des algorithmes de Machine learning et sous quelles conditions ils devraient être utilisés.
  • Maitriser des méthodes et techniques d’analyse qui ne sont pas dans la culture des statisticiens, en provenance de l’Intelligence artificielle.
  • Maitriser les principes d’apprentissage non supervisé et supervisé, les algorithmes afférant et leur utilisation sur des cas pratiques.
  • Apprendre à construire des modèles en se basant sur les algorithmes de Machine Learning et les intégrer au processus de prise de décision.

Description générale

Ce module de formation continue est axé sur l’extraction des connaissances qui s’inscrit dans le domaine de la prise de décision couplé à l’intelligence artificielle et les méthodes d’analyse de données et statistiques.

Le Machine learning est une composante de l’intelligence artificielle à fort potentiel pour les organisations compétitives puisqu’elle offre des nouvelles techniques permettant l’amélioration du processus de prise de décision.

La formation en Machine learning couvre trois aspects complémentaires pour garantir une meilleure maitrise de ce domaine, à savoir :

  • Une vue d’ensemble des concepts de base du domaine ainsi que la logique des algorithmes Machine learning.
  • La création de différents modèles basés sur des techniques de machines learning appliqués à plusieurs datasets.
  • L’amélioration des modèles élaborés.

Population cible

La formation en Machine learning en temps aménagé offre la possibilité à une large population l’opportunité d’acquérir des savoirs pratiques et pointus dans un domaine de première nécessité à l’ère de l’évolution et la révolution de l’intelligence artificielle. Indépendamment du domaine de l’exercice du candidat, il a besoin de connaissances et de compétence pour la prise de décision. Cette formation vous offre le socle de l’IA et la prise de décision.

Organisation

La formation en Machine learning est une formation courte durée organisée par m’école des sciences de l’information. Elle est organisée en ateliers et cours en temps aménagé.

  • Lieu : Ecole des sciences de l’information (ESI) ou en ligne.
  • Date : Ouverture sur demande, minimum 6 personnes
  • Durée : 40h
  • Intervenant : Pr. Najima Daoudi
  • Coût :

Conditions d’admission et prérequis

Les formations courtes ne nécessitent pas l’obtention de diplôme particulier, mais il est recommandé d’avoir des connaissances de base en algorithmique et statistiques.

Attestation

Les personnes ayant suivi le module de formation Machine learning reçoivent une attestation de suivi d’études de ce module de la part de l’école des sciences de l’information.

Plan de formation

Atelier 1 : Introduction au Machine Learning

  1. Qu’est-ce que le Machine Learning ?
  2. Machine learning et Intelligence Artificielle
  3. Machine learning et data mining
  4. Sous domaines du Machine Learning
  5. Principales problématiques du Machine Learning
  6. Domaines d’application
  7. Machine Learning : Démarche méthodologique

Atelier 3 : Techniques prédictives (apprentissage automatique supervisé)

  1. Concepts de base et définitions
  2. Contexte et problématiques typiques pour l’utilisation de l’apprentissage supervisé
  3. Techniques transductives et techniques inductives
  4. Classification
  5. Régression
  6. Etudes de cas

Atelier 5 : Amélioration des modèles obtenus

  1. Sur-apprentissage et sous-apprentissage
  2. Evaluation des modèles de prédiction (Recall, Precision, F1-score, AUC, ROC, …)
  3. Evaluation croisée (cross-validation)
  4. Ingénierie des features
  5. Rééquilibrage des datasets (cas des classes déséquilibrées)
  6. Validation des modèles

Atelier 2 : Exploration et pré-traitement des données

  1. Quelles données : sources, structures
  2. Explorer les données : Machine learning et data visualisation
  3. Traitement des valeurs manquantes
  4. Traitement des valeurs aberrantes
  5. Traitement des valeurs extrêmes

Atelier 4 : Techniques de Segmentation (apprentissage automatique non supervisé)

  1. Concepts de base et définitions
  2. Mesures de similarités
  3. Contexte et problématiques typiques pour l’utilisation de l’apprentissage non supervisé
  4. Techniques et algorithmes de Machine Learning non supervisé
  5. Études de cas

Atelier 6 : Règles d’associations

  1. Concepts et définitions
  2. Rechercher les associations
  3. Algorithme de Règles d’associations : Apriori
  4. Indice de pertinence
  5. Etude de cas