Machine Learning sous Python et R

Les sessions de formation ont lieu de 9h00 à 12h30 et de 13h30 à 17h00

Généralités

• Présentation et installation du logiciel R
• GUIs et IDEs
• Prise en main et premiers pas
• Fonctions et packages
• Utilisation des aides

Rappel des concepts de base du Data Mining

• Introduction à R – Concepts de base
• Syntaxe
• Type de données
• Import/Export de données
• Manipulation des librairies

Manipulation des données

• Rappels des grandeurs statistiques de bases
• Calcul des grandeurs statistiques de bases avec R
• Aperçu des types de visualisation courants en Data Mining
• Fonctions et librairies de base de visualisation avec R

Data Preprocessing

• Data Cleaning
• Data Reduction (analyse en composantes principales)
• Data Preprocessing et ACP avec R

Règles d’association

• Rappels théoriques de l’algorithme Apriori
• Application et exploitation des règles d’association avec R

Classification et régression

• Règles bayésiennes naïves
• Rappels théoriques
• Initiation à la librairie « e1071 » de R
• Arbre de décision CART
• Rappels théoriques
• Initiation à la librarie « party » de R
• Arbre de décision RandomForest
• Rappels théoriques
• Initiation à la librairie « randomForest » de R
• Régression linéaire
• Rappels théoriques
• Initiation à la fonction lm() de R

Clustering

• Centroid-based clustering
• Algorithme du K-means
• Fonction kmeans de R
• Hierarchical clustering
• Concepts théoriques
• Fonction hclust de R
• Density-based clustering
• Concepts théoriques
• Application dans R

Outils de support à R

• Data preprocessing avec Dataiku
• Utilisation de R dans Dataiku

• Réflexion de groupe et apports théoriques du formateur.
• Travail d’échange avec les apprenants sous forme de réunion – discussion.
• Utilisation de cas concrets issus de l’expérience professionnelle.
• Validation des acquis par des questionnaires, des tests d’évaluation, des mises en situation et des jeux pédagogiques.
• Alternance entre apports théoriques et exercices pratiques (en moyenne sur 30 à 50% du temps)

Modalités pédagogiques : Présentiel, Distanciel et AFEST

Cette formation s’adresse au profil métier orienté Data Scientist

En formation présentielle

Accueil des apprenants dans une salle dédiée à la formation et équipée avec :

• Ordinateurs
• Vidéo projecteur ou Écran TV interactif
• Tableau blanc ou Paper-Board

En formation distancielle

A l’aide d’un logiciel comme ® Microsoft Teams ou Zoom, un micro et une caméra pour l’apprenant.

• Suivez une formation en temps réel et entièrement à distance. Lors de la session en ligne, les apprenants interagissent et communiquent entre eux et avec le formateur.
• Les formations en distanciel sont organisées en Inter-Entreprise comme en Intra-Entreprise.
• L’accès à l’environnement d’apprentissage (support de cours, ressources formateur, fichiers d’exercices …) ainsi qu’aux preuves de suivi et d’assiduité (émargement, évaluation) est assuré.
• Les participants recevront une convocation avec le lien de connexion à la session de formation.
• Pour toute question avant et pendant le parcours, une assistance technique et pédagogique est à disposition par téléphone au 02 35 12 25 55 ou par email à commercial@xxlformation.com

• Positionnement préalable oral ou écrit.
• Feuille de présence signée en demi-journée.
• Evaluation des acquis tout au long de la formation.
• Questionnaire de satisfaction
• Attestation de stage à chaque apprenant
• Evaluation formative tout au long de la formation.
• Evaluation sommative faite par le formateur.

• Nos formateurs sont des experts dans leurs domaines d’intervention
• Leur expérience de terrain et leurs qualités pédagogiques constituent un gage de qualité