Nothing Special   »   [go: up one dir, main page]
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 386 vues

    Data Science - Introduction Au Machine Learning PDF

    Transféré par

    MIMKAN

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Data Science - Introduction Au Machine Learning PDF

    Transféré par

    MIMKAN
    386 vues1 page

    Titre original

    Data science - introduction au Machine Learning.pdf

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    386 vues1 page

    Data Science - Introduction Au Machine Learning PDF

    Transféré par

    MIMKAN

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 1

    www.telecom-paristech.fr/continue formation.continue@telecom-paristech.

    fr
    @
    WEB numro vert 0800 880 915
    ...
    ...
    ...
    ...
    ...
    ...
    www.telecom-paristech.fr/continue formation.continue@telecom-paristech.fr
    @
    WEB numro vert 0800 880 915
    ...
    ...
    ...
    ...
    ...
    ...
    FCU66
    2 jours
    1120
    Data science : introduction au Machine
    Learning
    S
    I
    G
    N
    A
    L
    ,

    A
    U
    D
    I
    O
    ,

    I
    M
    A
    G
    E

    E
    T

    M
    U
    L
    T
    I
    M

    D
    I
    A
    T
    r
    a
    i
    t
    e
    m
    e
    n
    t

    d
    u

    s
    i
    g
    n
    a
    l

    e
    t

    s
    t
    a
    t
    i
    s
    t
    i
    q
    u
    e
    s
    P
    Objectifs et prsentation
    Acqurir des bases solides dans le domaine du machine-learning. Comprendre
    la nature des problmes traits par les techniques d'apprentissage, les principes
    de base de la thorie (minimisation du risque, pnalisation, convexification), les
    heuristiques des algorithmes majeurs en machine-learning, les rgles expri-
    mentales permettant de comparer les performances de diffrentes techniques
    d'apprentissage. Apprendre mettre en place des plans exprimentaux, mettre
    en uvre les algorithmes d'apprentissage sur des donnes relles ou simules,
    interprter les rgles prdictives obtenues et mesurer leur performance.
    Les sciences de linformation transforment aujourdhui de nombreux domaines
    tels que la mdecine, la finance, le marketing, la dfense ou encore la scurit.
    La capacit traiter et analyser des donnes de trs grande dimension, souvent
    massives (Big Data) est un enjeu majeur dans ces secteurs dactivits. La disci-
    pline qui dveloppe et tudie des mthodes concrtes pour modliser ce type
    de donnes s'appelle le machine-learning. A linterface des mathmatiques
    appliques et de linformatique, elle vise produire des outils de prdiction et
    d'aide la dcision, automatiquement, partir des donnes. L'apparition d'al-
    gorithmes trs performants pour la classification de donnes en grande dimen-
    sion, tels que le boosting ou les Support Vector Machines dans le milieu des
    annes 90, a progressivement transform le champ occup jusqu'alors par la
    statistique traditionnelle. Celle-ci s'appuyait en grande partie sur le prtraite-
    ment ralis par l'oprateur humain. Cette formation prsente le domaine et ses
    fondements. Ses problmes et ses mthodes les plus rcentes sont galement
    tudis. Les concepts sont illustrs par des applications varies (filtres anti-
    spam, CRM, dtection danomalies).
    Introduction la thorie de
    l'apprentissage
    Problmes superviss, non
    superviss, batch, on-line
    Principe de la minimisation du
    risque empirique
    Evaluation des performances
    design exprimental
    Slection de modles
    Travaux pratiques
    Mise en uvre d'algorithmes
    classiques perceptron, arbres
    de dcision, rseaux de neurones
    Application des principes de
    validation croise, des mthodes de
    r-chantillonnage (bootstrap)
    Mthodes avances en
    apprentissage
    Convexification, agrgation
    Boosting, forts alatoires,
    machines vecteurs de support
    Mthodes de slection de variables
    pour la rgression
    Big Data : chantillonnage,
    apprentissage distribu, graph-
    mining
    Travaux Pratiques
    Mise en uvre d'algorithmes de
    machine-learning avancs
    Application de techniques rcentes
    pour l'apprentissage non supervis
    Synthse et conclusion
    programme
    Ingnieurs et techniciens ayant
    besoin de mthodes d'apprentis-
    sage pour automatiser des tches
    (prdiction, dcision, etc. ) de
    manire performante. Chefs de pro-
    jets qui souhaitent mieux identifier
    les tches que le machine-learning
    permettrait d'automatiser dans leur
    quipe.
    Connaissances de base dans le
    domaine des mathmatiques (ana-
    lyse, statistique, optimisation). Etre
    capable d'utiliser des logiciels via
    une interface graphique, de prtrai-
    ter des donnes (au moyen d'Excel,
    par exemple).
    Responsable
    STEPHAN CLEMENCON
    Enseignant-chercheur au dparte-
    ment Traitement du Signal et de
    l'Image de Tlcom ParisTech.
    Ses recherches portent sur la thorie
    statistique de l'apprentissage. Il a
    rcemment encadr des projets de
    recherche nationaux thoriques et
    appliqus sur ce thme. Il enseigne le
    " machine-learning " Tlcom Paris-
    Tech, l'ENSAE ParisTech, l'Univer-
    sit Paris 7 et l'ENS Cachan.
    Dates
    25 au 26 septembre 2014
    Participants et prrequis
    AVANC
    TELIER

    Vous aimerez peut-être aussi