Machine Learning et Deep Learning
L'informatique de gestion classique a atteint ses limites aujourd'hui en terme d'innovation, d’où l’importance actuelle de l’informatique cognitive et la pertinence du machine learning.
Permettre aux applications d'apprendre à reconnaître des motifs pour optimiser le traitement automatique et faciliter le travail humain, c'est ce que nous permets le machine learning.
Cette formation vous guidera dans le monde du machine learning pour vous introduire au deep learning. Vous apprendrez comment faire apprendre la machine, et surtout comment mettre un apprentissage efficace et rentable.
Durée
.
Publics cibles
Développeurs, Chef de projet
Pré-requis
Algorithmie, connaître au moins un langage de programmation
Objectifs
Informations
Programme détaillé
Introduction au machine learning
- Apprentissage : non supervisé, supervisé, renforcement, offline, semi-supervisé.
- Les besoins du machine learning.
- Que peut-on apprendre?
- Comment la machine apprends?
- Quand et comment mettre en place du machine learning dans une application?
Les arbres de décisions
- Principes de fonctionnement.
- Entropie de Shannon.
- Mise en pratique.
- Optimisations possibles en fonction des données.
- Avantages, inconvénients et coût des arbres de décisions.
Les réseaux de neurones et perceptrons
- Fonctionnement d'un neurone artificiel.
- Principes de fonctionnement d'un réseaux de neurones : couches, fonction de transfert, sigmoïde, heavyside, linéaire, ....
- Classification bi-classes et multi-classes.
- Différents algorithmes : Adaline, Adaboost, K-moyennes, bayésiens, PRank, …
- Avantages, inconvénients et coût des réseaux de neurones.
- Comparatif concret avec les arbres de décisions.
Les outils actuels
- Watson.
- Tensor Flot.
- Mise en pratique.
- Vers le deep learning
Introduction au deep learning.
- Quand faire appel au deep learning? Les risques et les avantages.