Data Mining - Machine Learning (F-dat-00)

    

Apprendre les méthodes pour fouiller des données variées ou pour chercher à prévoir les valeurs d’une variable quantitative ou qualitative. Les méthodes présentées seront mises en œuvre au cours d’ateliers. Les différentes étapes d’une étude de Data Mining - Machine Learning seront détaillées ainsi que les méthodes de validation des résultats obtenus.


Public - Pré-requis - Méthode
Public : Ce stage s’adresse aussi bien aux décideurs qu’aux statisticiens ou aux chargés d’études en charge de l’exploitation des données de l’entreprise (applications marketing, gestion de la relation client, scoring, churn, etc.)
Pré-requis : Il est conseillé d'avoir suivi la formation Pratique de la Statistique I ou d'avoir acquis par la pratique un niveau équivalent.
Méthode : Pédagogie active mettant souvent les participants en situation devant des problèmes concrets et appelant les méthodes d’analyses présentées. On évite de s’appesantir sur les aspects techniques pour privilégier l’analyse critique, le domaine d’application et les conditions d’utilisation des méthodes.
Les applications pratiques seront mises en œuvre dans le logiciel R.
Durée : 28 heures
Prochaine(s) session(s) :
Lieu Début Fin
Paris26/03/2019 29/03/2019
Paris18/06/2019 21/06/2019
Paris24/09/2019 27/09/2019
Paris10/12/2019 13/12/2019

Frais d'inscription :
- Inter-entreprises : Prix unitaire par stagiaire(s) inscrit(s)
1 inscrit2 inscrits 3 inscrits et +
2400€ HT2160€ HT1920€ HT
- Intra-entreprise : Nous consulter
Programme
- Introduction au Data Mining - Machine Learning
  • Qu’est ce que le Data Mining - Machine Learning ?
  • A quoi sert le Data Mining - Machine Learning ?
  • Le déroulement d’une étude de Data Mining - Machine Learning
  • Les différentes méthodes de validation
  • Aperçu des logiciels de Data Mining - Machine Learning
- Explorer des données (apprentissage non supervisé)
  • Exploration graphique multidimensionnelle : les méthodes factorielles :
    • ACP, AFM, STATIS
    • AFC, ACM
  • Création de groupes
    • Classification ascendante hiérarchique
    • K-means
  • Réseaux de neurones
    • cartes de Kohonen
  • Règles d'association
  • Complémentarité des méthodes
  • Ateliers
 - Prédire les valeurs d'une variable qualitative (apprentissage supervisé)
  • Analyse Factorielle Discriminante
  • Régression logistique
  • Arbre de décision
  • Agrégation de modèles
    • Bagging, Forêts aléatoires, Boosting
  • Support Vector Machine (SVM)
  • Réseaux de Neurones
- Prédire les valeurs d'une variable quantitative (apprentissage supervisé)
  • Régression multiple
  • Régression avec sélection algorithmique des variables explicatives
  • Régression ridge, régression lasso, elastic net
  • Régression sur composantes principales, régression PLS
  • Arbres de régression
  • Agrégation de modèles
  • Ateliers


Pour plus de renseignements, contactez :

- Tél : +33 (0) 1 72 92 05 58