Introduction au Machine learning

Module 1 : INTRODUCTION AU DATA MINING ET CONCEPTS GÉNÉRAUX

Les défis des grands ensembles de données
Le Data Mining parmi l’IA, l’apprentissage automatique et l’apprentissage profond.
Comparaison pilotée par les cas d’utilisation de Data Mining, ML et DL
Apprentissages automatisés : supervisé, non supervisé et méta-apprentissage
Ingénierie de la décision et analyse procédurale hiérarchique
Algorithme de Lloy Shaply et chaîne de Markov
Echantillonnage

Module 2 : DATA MINING AVEC R

Installer R et R Studio
Création d’objets, de tableaux et de trames de données dans R
Utilisation de la structure, dimensions, chargement de fichiers CSv et packages
Manipuler les données avec R
Chargement et combinaison de vecteurs
Retravailler les données : échanges, tris, conversions, usage des commandes sub, gsub, regexpr, gregexpr, apply, lapply, sapply
Visualisation de données, usage des commandes plot, lines, boxplot, stars, barplot, pie, hist, rug, sunflowerplot, tabplot, ggplot2, maptools.
Validation du modèle et interprétation
Analyse de régression

Module 3 : MACHINE LEARNING

Apprentissages supervisés et non supervisé
Régression linéaire multiple
Algorithmes de classification
Arbres de décision et classifieur naïf de Bayes
K-voisins les plus proches (K-NN)
Règles de regroupement et systèmes de recommandation
Analyse de réseau
Analyse de cluster : hiérarchique et K-means
Régression logistique
SVM Support Vector Machines (SVM)
Les réseaux de neurones

Module 4 : TEXT MINING

Introduction aux concepts de Text Mining
Analyse de sentiment
Nuage de mots positifs et négatifs
Théorie derrière la régression avancée
Régression avancée avec R
Analyses d’audience Internet : théorie sous-jacente aux Web Analytics

Module 5 : BIG DATA

Data Mining et Machine Learning en Big Data Analytics
Gérer de gros volumes de données