Plan du cours

Introduction

  • Différence entre l'apprentissage statistique (analyse statistique) et l'apprentissage automatique (machine learning)
  • Adoption de la technologie de l'apprentissage automatique par les sociétés financières et bancaires

Différents types de Machine Learning

  • Apprentissage supervisé et apprentissage non supervisé
  • Itération et évaluation
  • Compromis biais-variance
  • Combinaison de l'apprentissage supervisé et non supervisé (apprentissage semi-supervisé)

Machine Learning Languages et ensembles d'outils

  • Systèmes et logiciels libres ou propriétaires
  • R vs Python vs Matlab
  • Bibliothèques et cadres de travail

Machine Learning Études de cas

  • Données sur les consommateurs et big data
  • Évaluer le risque dans les prêts à la consommation et aux entreprises
  • Améliorer le service à la clientèle grâce à l'analyse des sentiments
  • Détection de l'usurpation d'identité, de la fraude à la facturation et du blanchiment d'argent

Introduction à R

  • Installation de l'IDE RStudio
  • Chargement des paquets R
  • Structures de données
  • Vecteurs
  • Facteurs
  • Listes
  • Cadres de données
  • Les Matrixes et les tableaux

Comment charger des données Machine Learning

  • Les Databases, les entrepôts de données et les données en continu
  • Stockage et traitement distribués avec Hadoop et Spark
  • Importer des données depuis une base de données
  • Importer des données depuis Excel et CSV

Modélisation Business des décisions avec l'apprentissage supervisé

  • Classer vos données (classification)
  • Utiliser l'analyse de régression pour prédire les résultats
  • Choisir parmi les algorithmes d'apprentissage automatique disponibles
  • Comprendre les algorithmes d'arbre de décision
  • Comprendre les algorithmes de forêt aléatoire
  • Évaluation des modèles
  • Exercice

Analyse de régression

  • Régression linéaire
  • Généralisations et non-linéarité
  • Exercice

Classification

  • Rappel sur la classification bayésienne
  • Bayes naïf
  • Régression logistique
  • K-Proches voisins
  • Exercices

Travaux pratiques : Construction d'un modèle d'estimation

  • Évaluer le risque de prêt en fonction du type de client et de son historique

Évaluer la performance des algorithmes Machine Learning

  • Validation croisée et rééchantillonnage
  • [Agrégation (bagging)
  • Exercice

Modélisation des décisions Business avec l'apprentissage non supervisé

  • Lorsque des échantillons de données ne sont pas disponibles
  • Regroupement par K-means
  • Défis de l'apprentissage non supervisé
  • Au-delà de K-means
  • Réseaux de Bayes et modèles cachés de Markov
  • Exercice

Travaux pratiques : Construire un système de recommandation

  • Analyser le comportement antérieur des clients pour améliorer les nouvelles offres de services

Étendre les capacités de votre entreprise

  • Développer des modèles dans le nuage
  • Accélérer l'apprentissage automatique avec des GPU supplémentaires
  • Appliquer les réseaux neuronaux Deep Learning à la vision artificielle, à la reconnaissance vocale et à l'analyse de texte

Remarques finales

Pré requis

  • Programming expérience avec n'importe quel langage
  • Familiarité de base avec les statistiques et l'algèbre linéaire
  28 heures

Nombre de participants



Prix par participant

Cours Similaires

Catégories Similaires