Formation Machine Learning et Predictive Analytics avec Python

Introduction à l'apprentissage automatique

• Types d'apprentissage automatique – supervisé vs non supervisé
• Du apprentissage statistique à l'apprentissage automatique
• Le workflow de fouille de données : compréhension commerciale, préparation des données, modélisation, déploiement
• Choix du bon algorithme pour la tâche
• Surapprentissage et compromis biais-variance

Aperçu de Python et des bibliothèques d'IA

• Pourquoi utiliser des langages de programmation pour l'apprentissage automatique
• Choix entre R et Python
• Cours intensif sur Python et les cahiers Jupyter
• Bibliothèques Python : pandas, NumPy, scikit-learn, matplotlib, seaborn

Test et évaluation des algorithmes d'apprentissage automatique

• Généralisation, surapprentissage et validation du modèle
• Stratégies d'évaluation : holdout, cross-validation, bootstrapping
• Métriques pour la régression : ME, MSE, RMSE, MAPE
• Métriques pour la classification : précision, matrice de confusion, classes déséquilibrées
• Visualisation des performances du modèle : courbe de profit, courbe ROC, courbe lift
• Sélection de modèle et recherche sur grille pour l'ajustement

Préparation des données

• Importation et stockage des données en Python
• Analyse exploratoire et statistiques descriptives
• Gestion des valeurs manquantes et des outliers
• Standardisation, normalisation et transformation
• Recodage des données qualitatives et manipulation des données avec pandas

Algorithmes de classification

• Classification binaire vs multiclasse
• Régression logistique et fonctions discriminantes
• Bayes naïf, k-plus proches voisins
• Arbres de décision : CART, Random Forests, Bagging, Boosting, XGBoost
• Machines à vecteurs de support et noyaux
• Techniques d'apprentissage ensembliste

Régression et prédiction numérique

• Moindres carrés et sélection de variables
• Méthodes de régularisation : L1, L2
• Régression polynomiale et modèles non linéaires
• Arbres de régression et splines

Réseaux neuronaux

• Introduction aux réseaux neuronaux et à l'apprentissage profond
• Fonctions d'activation, couches et retropropagation
• Perceptrons multicouches (MLP)
• Utilisation de TensorFlow ou PyTorch pour la modélisation de réseaux neuronaux basiques
• Réseaux neuronaux pour la classification et la régression

Prévision des ventes et analyse prédictive

• Séries temporelles vs prévision basée sur la régression
• Gestion des données saisonnières et tendancielles
• Construction d'un modèle de prévision des ventes utilisant des techniques d'apprentissage automatique
• Évaluation de la précision de la prévision et incertitude
• Interprétation commerciale et communication des résultats

Apprentissage non supervisé

• Techniques de clustering : k-means, k-medoids, clustering hiérarchique, SOMs
• Réduction de dimensionnalité : PCA, analyse factorielle, SVD
• Échelle multidimensionnelle

Analyse textuelle

• Prétraitement et tokenisation du texte
• Sac de mots, stemming et lemmatisation
• Analyse de sentiment et fréquence des mots
• Visualisation des données textuelles avec des nuages de mots

Systèmes de recommandation

• Filtrage collaboratif basé sur les utilisateurs et les articles
• Conception et évaluation des moteurs de recommandation

Fouille de motifs d'association

• Ensembles d'éléments fréquents et algorithme Apriori
• Analyse de panier et ratio lift

Détection des anomalies

• Analyse des valeurs extrêmes
• Méthodes basées sur la distance et la densité
• Détection d'anomalies en données de grande dimension

Étude de cas en apprentissage automatique

• Compréhension du problème commercial
• Prétraitement des données et ingénierie des caractéristiques
• Sélection de modèle et ajustement des paramètres
• Évaluation et présentation des résultats
• Déploiement

Résumé et étapes suivantes