Contexte
La génération de très grandes quantité de données et le besoin de prendre des décisions Intelligentes et instantanées ont induit à la naissance de nouvelles sciences de traitement de données.
Entre autres, l'Intélligence Artificielle (IA), une science se focalisant sur la production de taches humaines
par des machines mimant l'activité du cerveau, est très demandée par des entreprises de grande ampleur
aux
volumes de données comme Google, Amazon, Microsoft, Apple, ...
Ainsi Spark Numeric s'engage à dispenser des formations de pointe dans le domaine de l'IA. Cette maquette rentre
dans la dynamique de former des ingénieurs sur une approce de l'IA, à savoir l'IA numérique qui est
fondée
sur l'exploitation de l'expérience passée.
A l'issue de cette formation vous saurez :
- Récupèrer des données pour une analyse spécifique
- Programmer des algorithmes de Machines Learning et de Deep Learning avec le langage PYTHON
- Analyser des données textuelles avec le langage R
Prérequis
- algorithmes
- Bases de données
- Algèbre, Probabilité, Statistiques
Programme
- Bases du Machine Learning(ML)
- Récupération des données
- Prétraitement des données
- Séparation en données d'entrainement et de test
- Modélisation avec un algorithme de ML
- Performances d'un modele de ML
- Evaluation d'un algorithme de classification avec des valeurs binaires
- Evaluation d'un algorithme avec des scores
- Evaluation d'un modèle de regression
- Apprentissage supervisé
- Algorithme de regression(linéaire, logistique, arbre de décision)
- Algorithme de classification(SVM, k-NN, Naive Bayes Classifier)
- Méthodes parallèles et séquentielles
- Méthodes ensemblistes parallèles
- Algorithme du Bootstrapping & Bagging
- Algorithme des Random Forests
- Méthodes séquentielles et Boosting (X)GBoost
- Apprentissage non supervisé
- Algorithme de réduction de dimension non supervisé linéaire
- Algorithme de réduction de dimension non supervisé non linéaire
- Partitionnement des données avec le Clustering (K-Means, CART)
- Text minig : Analyse des données textuelles
- Prétraitement des données textuelles
- Transformation des données textuelles( bag of words, word embedding)
- Détection automatique de sentiments dans des commentaires
- Vision par ordinateur : Analyse d'image
- Aspect visuel des images
- Détection et description des zones d'intérets d'une image (SIFT)
- Classification d'images avec les réseaux de neurones convolutifs (CNN, Tranfer Learning)
