INTELLIGENCE ARTIFICIELLE, FOUILLE DE DONNEES ET APPRENTISSAGE
Intelligence artificielle
Objectifs
Explorer les techniques récentes d’analyse de grandes masses de données et d’Intelligence Artificielle : apprentissage statistique ,apprentissage par renforcement, apprentissage profond. Clustering, les différents algorithmes et leurs spécificités, classification. Règles d’association et modèles probabilistes.
Contenu pédagogique
Introduction à la fouille de données et au Machine learning
- Définition et objectif
- Démarche de fouille de donnée
- Domaines d’application
- Quelles différences entre la fouille de données (Data Mining) et l’apprentissage automatique (Machine Learning).
- Etude de cas : Exemple introductif
Étapes de préparation de données
- Sélection des Données
- Nettoyage des Données
- Enrichissement des Données
- Codage des Données
- Tour d’horizon des problèmes & types d’apprentissage
Techniques non supervisées
- En Fouille de données : Extraction des motifs fréquents et des règles d’association.
- Statistique descriptive et techniques de projection des données
- Apprentissage non supervisé (clustering) : cas particulier du k-means, CAH, etc.
- Interprétation statistique : Indice de qualité (interne et externe)
Techniques supervisées
- Modèle supervisé : régression, arbre de décision, réseaux de neurones …etc
- Méthodes ensemblistes
- Création de chaine de traitement (pipeline)
- Les concepts importants : critères de performance, validation croisée, overfitting, dilemme biais-variance.
- Paramétrage des modèles
- Mise en production des modèles de machine learning
- Sélection de variables
- Détection d’anomalie
- Applications : biologie, santé, marketing, maintenance prédictive, etc
Analyse de données textuelles
- Introduction à l’analyse de données textuelle.
- Mesure statistique pour le texte : TF-IDF
- Encodage des mots (word embedding)
- Les modèles récurrents : LSTM, GRU