Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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