BEST

Data Science : niveau avancé

Description

Le Big Data et la data science sont en train de changer le monde que nous connaissons. Avec la digitalisation sans cesse croissante de nos interactions et les progrès accomplis en matière d’intelligence artificielle, les entreprises ont de plus en plus recours aux algorithmes pour améliorer leurs processus de prise de décision et proposer de nouveaux services. Le Data scientist, à travers sa faculté à trouver à partir de l’exploitation des données une réponse adéquate à un problème fonctionnel donné, est au cœur de ces évolutions. Après le module sur les bases de la Data science, la formation « Data Science : niveau avancé » vous permettra d’approfondir certains des concepts avancés de machine learning (feature engineering avancé, modèles ensemblistes…) utilisés notamment par les lauréats de concours Kaggle. Vous découvrirez également les techniques d’analyse et de traitement spécifiques aux données de type image ou texte (deep learning, réseaux de neurones convolutifs, réseaux récurrents,...).

Objectifs pédagogiques

  • Découvrir et utiliser la puissance prédictive des modèles ensemblistes
  • Savoir effectuer un "feature engineering" performant
  • Appréhender les techniques de text-mining et de deep-learning à travers des exemples concrets
  • Enrichir sa boite à outils de data scientist

Public cible

  • Analyste
  • Statisticien
  • Architecte
  • Développeur
  • Data scientist

Pré-requis

  • Connaissances de base en programmation ou en scripting
  • Avoir suivi la formation "Fondamentaux de la Data Science" (DSDFX) serait en plus

Méthode pédagogique

Formation avec apports théoriques, échanges sur les contextes des participants et retours d’expérience pratique du formateur, complétés de travaux pratiques et de mises en situation.

PROFILS DES INTERVENANTS

Toutes nos formations sont animées par des consultants-formateurs expérimentés et reconnus par leurs pairs.

MODALITÉS D’ÉVALUATION

L’évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique. Une évaluation à chaud est réalisée systématiquement en fin de session.

Programme :

Jour 1

  • Rappel des fondamentaux
    • Ecosystème Big Data et Data Science
    • Comment modéliser un problème de data science ?
    • Les différentes familles d’algorithmes (supervisé : classification/régression, non supervisé)
    • Les algorithmes classiques
    • Comment évaluer la performance ?
    • Sur apprentissage et compromis biais/variance
  • Modèles ensemblistes
    • Rappels
    • Pourquoi ça fonctionne ? Raisons théoriques
    • Introduction au stacking
      • Architecture et promesses du stacking
      • Feature weighted stacking
      • Mise en application
  • Introduction au text mining
    • Un modèle de représentation : le bag of words
    • Normalisations usuelles
    • Stemming, lemmatization
    • Distances (Levenshtein, Hamming, Jaro-Winkler)
    • Word2Vec

Jour 2

  • Feature engineering avancé
    • Normalisation
      • Qu’est ce que la normalisation ?
      • Quand l’utiliser ?
    • Réduction de dimension (ACP, TSNE, LSA, etc.)
    • Transformation et interactions entre variables
    • Traitement des variables catégorielles à haute dimensionnalité
    • Création de variables extraites d’arbres (Facebook Trick)
  • Réseaux de neurones et deep learning
    • L’origine : le perceptron
    • Les réseaux de neurones
    • Deep learning
      • Objectif : s’affranchir du feature engineering manuel
      • Convolution
      • Réseaux récurrents
    • Cas concret : reconnaissance de chiffres
  • Apprentissage semi-supervisé

Jour 3

  • Rappels et révisions
    • Synthèse des points abordés en journées 1 et 2
    • Approfondissement des sujets sélectionnés avec l’intervenant
  • Mise en pratique
    • Le dernier jour est entièrement consacré à des mises en pratique
  • Sélection et participation à une compétition
    • Le formateur sélectionnera une compétition en cours sur Kaggle qui sera démarrée en jour 3 par l’ensemble des participants

Pour aller plus loin :

Type : Stage pratique
Code formation : DSNVA
Durée : 3 jours (21 heures)

Sessions inter-entreprises :

Tarif & dates intra-entreprise :
Devis sur demande
Nous Contacter