Formation Big Data - Développement d'applications de Machine Learning et d'Intelligence Artificielle (IA)

Jour 1

Vue d'ensemble du Big Data, du Machine Learning et de l'IA

• Introduction au Big Data et à l'IA (Intelligence Artificielle) : de quoi s'agit-il ?
• Perspectives offertes par le Big Data et l'IA
• Les acteurs du Big Data et de l'IA
• Exemples pratiques
• Les technologies concernées
• Les différents métiers
• Aspects économiques (OPEX, CAPEX, TRI) du Cloud vs On-Premise
• Démonstration d'applications

Rappels sur la Data Science

• Les bases du langage Python
• Modélisation des problématiques grâce à des vecteurs et matrices
• Probabilités, statistiques, statistiques descriptives, statistiques explicatives
• Entropie, gain d’information
• Compromis biais-complexité
• La malédiction de la dimension
• Matrice de confusion
• Gérer les valeurs manquantes MCAR / MAR / MNAR
• Validation croisée
• Courbe d'apprentissage
• Fondamentaux du nettoyage des données
• Réduction de la dimension par sélection de variables et par transformation de variables
• Métriques de performance d'un modèle :
• R²
• Accuracy
• Prrécision et rappel (recall)
• F1-score
• AUC
• P-valeur

Exemples de travaux pratiques (à titre indicatif)

• Chargement, exploration, analyse, nettoyage, et premières modélisations sur un jeu de données

Jour 2

Machine Learning et IA : algorithmes

• Les concepts du Machine Learning et de l'IA
• Les données supervisées ou non supervisées : quelles différences ?
• Les librairies :
• Scikit-learn
• Tensorflow
• PyTorch
• Keras
• Régression
• Modèles linéaires
• Classification
• Naive Bayes
• K-NN
• K-Means clustering

Exemples de travaux pratiques (à titre indicatif)

• Mise en oeuvre des algorithmes vus en fonction de la finalité recherchée (régression, classification, imputation de valeurs manquantes) et en utilisant les librairies Scikit-learn et Keras

Jour 3

Machine Learning et IA : algorithmes (suite)

• DBScan
• Arbres de décision et de régression
• Support Vector Machines (SVM)
• Réseaux de neurones et apprentissage profond (Deep Learning)
• Réseaux convolutifs, réseaux récurrents

Exemples de travaux pratiques (à titre indicatif)

• Modélisations avancées (DL, CNN, RNN) avec optimisation des architectures et hyper-paramètres

Jour 4

Développer avec Spark

• Introduction à Apache Spark
• Faire du Machine Learning avec Apache Spark MLlib
• Traiter les données en temps réel avec Apache Spark Streaming
• Faire des requêtes au format SQL avec Apache Spark SQL
• Modélisation de réseaux sociaux grâce à des graphes avec Apache Spark GraphFrames
• Démonstration du travail collaboratif avec MLFlow

Exemples de travaux pratiques (à titre indicatif)

• Exercices d'application avec Spark MLlib/Streaming/SQL/GraphFrames
• Mise en oeuvre de MLFlow pour comparer les modèles

Jour 5

Outil de visualisation des données (ou Dataviz)

• Définition de la Dataviz
• Les acteurs de la Dataviz
• Principes de la Dataviz
• Exemples d'analyse (sous forme de démo) :
• Bibliothèques de Dataviz de Python
• Tableau Desktop / Public
• Microsoft Power BI

Introduction à MLOps et aux architectures serverless

• Les approches DevOps et GitOps
• Bases de la conteneurisation et de l'automatisation
• Les architectures serverless
• Développer et déployer des applications MLOps en production (démo)
• Monitoring et amélioration continue des applications MLOps (démo)

Exemples de travaux pratiques (à titre indicatif)

• Prise en main de Tableau ou MS Power BI
• Utilisation de librairies Python (Matplotlib, Seaborn)
• Création et exécution d'un pipeline MLOps avec serving et monitoring du modèle