Big Data : récolte et analyse de données volumineuses module Machine Learning

Rechercher une formation

Source : Carif Provence-Alpes-Côte d’Azur

Partager sur :

Objectifs, programme, validation de la formation

Objectifs

Comprendre le Big Data et ses enjeux
Identifier les besoins et la problématique des directions métiers
Construire des modèles prédictifs pour répondre à la problématique
Construire des algorithmes pour améliorer les résultats de recherches et de ciblage
Trouver et rassembler l’ensemble des sources de données structurées ou non structurées nécessaire à l’analyse pertinente
Faire des recommandations business qui vont servir à la prise de décision et influencer la stratégie de l’entreprise
Développer des métriques pertinentes d’aide à la décision
Développer une vision globale des risques et des outils
Identifier les opportunités à travers l’open data et les cas d’usage métiers
Acquérir le vocabulaire lié à cet écosystème complexe
Adapter la stratégie d’entreprise
Concevoir un projet Big Data et acquérir les technologies (acquisition et stockage des données, traitement distribué, analyse de données à large échelle)
Maîtriser les technologies par des études de cas concrètes
Maîtriser les enjeux juridiques et liés à la protection des données

Description, programmation

Jour 1
Faire de l’apprentissage automatique via des outils Open Source

Présentation du Machine Learning et de ses possibilités :
•Les fondamentaux
•Apprendre à formaliser les problématiques
•Exemple du Data Science en entreprise

Créer un premier Problème Prédictif :
•Techniques d’apprentissage(les plus proches voisins, modèles Linéaire, arbre de décision, …)
•Révision des bases de la programmation
•Apprentissage d’un modèle avec librairie Open Source

Préparation des données afin de les utiliser dans un système d’apprentissage :
•Présentation du feature Engineering et les limites
•Technique d’exploration de données
•Procédure de Prétraitement et de nettoyage

Jour 2
Apprendre à évaluer et déployer des modèles prédictifs

Apprendre à évaluer des modèles prédictifs :
•Création des jeux d’apprentissage, mise en place de leur validation et test.
•Tester la représentativité des données
•Mesure de performance des modèles prédictifs
•Apprendre à faire une matrice de confusion et de coût

Apprendre à Sélectionner les modèles
•Déterminer l’exactitude des prédictions avec les ensembles de modèles
•Apprendre à créer des arbres de décisions

Apprendre à déployer :
•Déterminer l’importance des APIs en production.
•Vue d’ensemble des solutions Open Source
•Apprendre à créer des APIs
•Apprendre à Gérer l’authentification
•Savoir utiliser Amazon Machine Learning et BigML

Utilisation du ML sur du texte :
•Conseils de prétraitement des données textuelles
•Mise en pratique avec la librairie open source NLTK

Jour 3
Aller plus loin avec le Machine Learning

Techniques avancées :
•Principe du Gradient Boosting et utilisation de la librairie open source XGBoost
•Pipelines de Machine learning : enrichissement et sélection de features, modélisation
•Techniques d’optimisation des paramètres de pipelines de Machine learning : grid search, random search et utilisation de la librairie open source hyperopt
•Autres problèmes d’apprentissage :
•Réseaux de neurones et Deep Learning :
•Développer son propre cas d’usage :

Validation et sanction

Certification

Type de formation

Perfectionnement, élargissement des compétences