Machine Learning : état de l'art, algorithmes clés, mise en production et enjeux pour les décideurs

Module 1 — Historique du Machine Learning et contexte Big Data

• Situer à leur juste échelle les concepts d'intelligence artificielle et d'apprentissage automatique
• Liens avec les mathématiques, les statistiques inférentielles, le data mining et la data science
• De l'analyse descriptive à l'analyse prédictive puis prescriptive
• Applications concrètes du Machine Learning : moteurs de recherche, détection de spams, lecture de chèques
• La typologie des algorithmes selon Dominique Cardon
• La communauté data science et les challenges Kaggle (exemple Netflix)
• Étude de cas : analyse d'applications concrètes du Machine Learning

Module 2 — Les données disponibles : collecte et préparation

• Données structurées, semi-structurées et non structurées
• Nature statistique des données : qualitatives versus quantitatives
• Objets connectés (IoT) et streaming de données
• Opportunités et limites de l'Open Data
• Identification des corrélations et problème de multicolinéarité
• Réduction de dimensions par analyse en composantes principales (ACP)
• Détection et traitement des valeurs aberrantes
• Les ETL (Extract Transform Load) et le web scraping
• Démonstration : utilisation d'un ETL et collecte de données web

Module 3 — Outils du marché pour le traitement des données et le Machine Learning

• Logiciels traditionnels (SAS, SPSS, Stata) et leur ouverture vers l'open source
• Choisir entre les deux leaders open source : Python et R
• Plateformes cloud (Azure, AWS, Google Cloud Platform) et solutions SaaS (IBM Watson, Dataïku)
• Nouveaux métiers en entreprise : data engineer, data scientist, data analyst
• Associer les bonnes compétences aux différents outils
• APIs en ligne (IBM Watson, Microsoft Cortana Intelligence) et chatbots conversationnels
• Démonstration : agent conversationnel (chatbot) et Azure Machine Learning

Module 4 — Les différents types d'apprentissage en Machine Learning

• Apprentissage supervisé : apprendre par l'exemple
• Apprentissage non supervisé : découvrir la structure des données
• Online learning par opposition aux approches batch
• Reinforcement Learning : optimisation par récompense
• Autres formes d'apprentissage : par transfert, séquentiel, actif
• Illustrations : moteurs de recommandation et autres cas d'usage
• Démonstration : comparaison des différents types d'apprentissage Machine Learning

Module 5 — Les algorithmes du Machine Learning

• Régression linéaire simple et multiple : principes et limites des approches linéaires
• Régression polynomiale (LASSO) et séries temporelles
• Régression logistique et applications en scoring
• Classification hiérarchique et non hiérarchique (KMeans)
• Classification par arbres de décision et approche Naïve Bayes
• Random Forest : extension des arbres de décision
• Gradient Boosting, réseaux de neurones et machines à vecteurs de support (SVM)
• Deep Learning : exemples et facteurs du succès actuel
• Text Mining : analyse de corpus de données textuelles
• Démonstration : mise en œuvre des principaux algorithmes sous R ou Python

Module 6 — Entraînement et évaluation des algorithmes

• Découpage du jeu de données : ensembles d'entraînement, de test et de validation
• Techniques de bootstrap (bagging)
• La validation croisée : principe et mise en œuvre
• Définition d'une métrique de performance
• Descente de gradient stochastique et minimisation de la métrique
• Courbes ROC et de lift pour évaluer et comparer les modèles
• Matrice de confusion : faux positifs et faux négatifs
• Démonstration : sélection du meilleur algorithme selon le problème

Module 7 — Mise en production d'un algorithme de Machine Learning

• Architecture d'une plateforme Big Data
• Fonctionnement des APIs : principes et intégration
• Du développement à la mise en production : étapes clés
• Stratégie de maintenance corrective et évolutive
• Évaluation des coûts de fonctionnement en production
• Démonstration : API de géolocalisation et d'analyse de sentiments

Module 8 — Éthique, droit et enjeux sociaux de l'intelligence artificielle

• Missions de l'APD et évolutions réglementaires à anticiper
• Droit d'accès aux données personnelles et protection de la vie privée
• Propriété intellectuelle des algorithmes
• Nouveaux rôles en entreprise : Chief Data Officer (CDO) et Data Protection Officer (DPO)
• Impartialité des algorithmes et biais de confirmation
• Secteurs et métiers impactés par l'automatisation
• Réflexion collective : identifier ensemble les clés de réussite d'un projet Machine Learning