Machine Learning avancée

Module 1 : INTRODUCTION ET HISTORIQUE

Processus complet d’élaboration d’un modèle prédictif

Module 2 : ARBRES DE DÉCISION

L’apprentissage par partitionnement
Construction d’un arbre de décision sur un jeu de données synthétique
Principaux points à considérer lors de l’induction d’un arbre de décision à partir de données
CHAID, C4.5 et CART : Les trois principales méthodes d’induction d’arbres proposés dans les logiciels
Les différences et les points communs

Module 3 : ARBRES DE RÉGRESSION

La régression par arbres
Une méthode non-linéaire de régression
Rapprochement avec les arbres de décision

Module 4 : ANALYSE DISCRIMINANTE PRÉDICTIVE

Un modèle paramétrique de discrimination
Analyse discriminante de Fisher
Évaluation globale du modèle
Évaluation individuelle des variables

Module 5 : RÉGRESSION LOGISTIQUE

Le modèle LOGIT
Estimation, évaluation globale et évaluation individuelle des variables
Régression logistique polytomique
Régression logistique lorsque la variable dépendante Y prend plus de 2 valeurs
Régression logistique multinomiale lorsque Y est nominale
Régression logistique polytomique ordinale lorsque Y est ordinale (odds adjacents, odds cumulatifs proportionnels)

Module 6 : CLASSIFIEUR BAYESIEN NAÏF (MODÈLE D’INDÉPENDANCE CONDITIONNELLE)

Principe de l’indépendance conditionnelle
Cas des prédicteurs continus
Cas des prédicteurs discrets
Construction d’un modèle explicite linéaire
Sélection de variables

Module 7 : BAGGING, RANDOM FOREST, BOOSTING

Méthodes ensemblistes basées sur des apprentissages répétés
Boosting : principe et variantes
Principe du Bagging
Random Forst : principe et variantes
Mesures d’importance des variables – Impact sur le biais et la variance des classifieurs

Module 8 : GRADIENT BOOSTING

Généralisation du boosting avec l’introduction explicite de fonctions de coûts
Importance du paramétrage

Module 9 : SUPPORT VECTOR MACHINE (SVM)

Principe de Machines à vecteurs de support ou Séparateur à Vaste Marge
Principe de la maximisation de la marge
Marge souple (soft margin)
Classifieurs linéaires et classifieurs non-linéaires avec l’astuce du noyau (kernel trick)
Fonction Noyau

Module 10 : RÉSEAUX DE NEURONES – PERCEPTRON SIMPLE ET MULTI-COUCHES

Introduction aux réseaux de neurones artificiels pour l’apprentissage supervisé
La Perceptron
Passage du modèle linéaire au modèle non-linéaire : le perceptron multicouche

Module 11 : APPRENTISSAGE NON SUPERVISÉ

Principe du clustering (K moyennes ou k means)
Principe de la Classification Ascendante Hiérarchique (CAH)
Règles d’association

Module 12 : DISCRÉTISATION DES VARIABLES QUANTITATIVES

Découpage en classe d’une variable quantitative
Méthodes non-supervisées et supervisées (chi-merge, mdlpc)

Module 13 : FILTRAGE DES VARIABLES

Approche FILTRE préalable à l’apprentissage supervisé
Techniques de classement (ranking)
Techniques de sélection basées sur la corrélation
Information mutuelle, entropie de Shannon, rapport de corrélation, lambda de Wilks

Module 14 : INDUCTION DE RÈGLES PRÉDICTIVES

Construction de bases de règles en analyse prédictive
Conversion des arbres en règles et algorithmes génétiques pour l’induction de règles

Module 15 : SCORING – LE CIBLAGE MARKETING

Le ciblage clientèle
Construction et lecture de la courbe LIFT (GAIN CHART)

Module 16 : ANALYSE RFM (RÉCENCE – FRÉQUENCE – MONTANT)

Segmentation RFM (récence-fréquence-montant)
Finalité, démarche, usage, variantes, limites

Module 17 : GRILLE DE SCORE

Élaboration de la grille de score à partir des résultats de la régression logistique
Méthode Disqual et scoring

Module 18 : INTÉGRATION DES COÛTS DE MAUVAIS CLASSEMENT EN APPRENTISSAGE SUPERVISÉ

Prise en compte des coûts pour l’évaluation et la construction des modèles prédictifs
Correction des règles d’affectation, techniques intégrées, bagging, la méthode MetaCost
Courbe ROC
Évaluation d’un classifieur à l’aide de la courbe ROC
Le critère AUC

Module 19 : QUELQUES MÉTHODES NON-PARAMÉTRIQUES DE DISCRIMINATION

Deux méthodes non-paramétriques de classement dérivés du schéma Bayesien la méthode des K-plus proches voisins et le modèle d’indépendance conditionnelle