Machine Learning avec R

3 jours (21 heures)

Formation certifiante - Code CNCP : 2234 - Certif Info : 93835

  • Présentiel
  • Blended - Learning
  • FOAD / E-learning tutoré
Le programme Machine Learning avec R
Allez plus loin : développez vos compétences

Objectifs

  • Connaître les concepts de base de l’apprentissage automatique en R,
  • Capable de procéder au nettoyage des données pour optimiser leur intégration dans le modèles de Machine Learning,
  • Effectuer une régression dans un environnement d’apprentissage supervisé,
  • Effectuer une classification dans un environnement d’apprentissage supervisé, en enseignant au modèle des paramètres définis
  • Faire la Lecture, l’exploration, le nettoyage et la préparation des données.
  • Utilisation des différentes bibliothèque de R pour déployer des modèles prédéfinis, les former et voir les résultats en quelques lignes de code.
  • Utilisation de l’optimisation hyper-paramétrique pour obtenir la meilleure version possible de chaque modèle pour une application spécifique.

Prérequis

  • Maîtriser l’algorithmique
  • Connaissances en mathématiques et des statistiques
  • Connaissance de R (formation Cegefos : « Programmation avec langage R » )
  • Connaissance du langage R dédié à la science des données (formation Cegefos : « Langage R pour la science des données » )

Vous n’avez pas les prérequis nécessaires pour la formation Machine Learning avec R ? Contactez nous pour étudier ensemble un parcours sur mesure et garantir ainsi la réussite de votre projet.

Intervenants

Les contenus pédagogiques sont synchronisés sur les évolutions techniques grâce à notre équipe d’intervenant experts et professionnels du secteur enseigné. Les formateurs qui interviennent pour animer les formations ont une double compétence : compétence informatique et compétence métier (Banque, Assurance, Administration, Santé, Transport).

PROGRAMME DE FORMATION MACHINE LEARNING AVEC R

Jour 1

Initiation au machine Learning

  • Fondements du Machine Learning
  • Introduction au Machine Learning
  • Groupes de Machine Learning
  • Besoins du Machine Learning
  • Cycle de vie du Machine Learning
  • Identification des biais cognitifs humains

Classification du machine Learning

  • Théorie du Naïve Bayes
  • Régression logistique binomiale
  • Théorie k-NN
  • Arbres de classification
  • Forêts d’arbres de décision
  • Support vector machine

Régression linéaire avec R

  • Définition de la régression
  • Régression linéaire univariée
  • Régression linéaire multivariée
  • Régression linéaire polynomiale
  • Régressions régularisées
  • Programmer une régression linéaire en R
  • Régressions Non-Linéaire
  • Atelier cas pratique
Jour 2

Initiation au clustering

  • Définition du clustering
  • Types de Clustering
  • Méthode k-means
  • Clustering hiérarchique

Initiation aux Règles d’association

  • Définition des règles d’association
  • Initiation à la méthode A priori
  • Évaluation des règles d’association candidates
  • Les règles d’association dans R

Réduction dimensionnelle

  • Définition de la réduction dimensionnelle
  • Utilisation des méthodes de sélection de variables
  • Méthode ACP
  • Méthode ADL
  • Atelier cas pratique
Jour 3

Algorithmes Du Machine Learning

  • Initiation à l’ensemble learning
  • Apprentissage par renforcement
  • Réseaux de neurones
  • Deep Learning : exemples et raisons du succès actuel
  • Text Mining : analyse des corpus de données textuelles

Test et validation des algorithmes

  • Validation des algorithmes
  • Techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test
  • Mesures de performance des modèles prédictifs
  • Matrice de confusion, de coût et la courbe ROC et AUC

Atelier cas pratique

Une attestation d’assiduité sera délivrée après la validation de toutes les compétences de ce module.

POUR TOUTE DEMANDE DE RENSEIGNEMENT OU DE DEVIS

CONTACTEZ-NOUS