Objectifs pédagogiques

• À l’issue de la formation, le participant sera en mesure de :
• Comprendre le principe de la modélisation statistique
• Choisir entre la régression et la classification en fonction du type de données
• Évaluer les performances prédictives d'un algorithme
• Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances

Public concerné

• Responsables Infocentre (Datamining, Marketing, Qualité...), utilisateurs et gestionnaires métiers de bases de données.

Prérequis

• Connaissances de base en Python. Connaissances de base en statistiques ou avoir suivi le stage "Statistiques, maîtriser les fondamentaux" (Réf. STA).

Programme de la formation

• Introduction à la modélisation
• Introduction au langage Python.
• Introduction au logiciel Jupiter Notebook.
• Les étapes de construction d'un modèle.
• Les algorithmes supervisés et non supervisés.
• Le choix entre la régression et la classification.

Travaux pratiques

Installation de Python 3, d'Anaconda et de Jupiter Notebook.

Procédures d'évaluation de modèles

• Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
• Test de représentativité des données d'apprentissage.
• Mesures de performance des modèles prédictifs.
• Matrice de confusion, de coût et la courbe ROC et AUC.

Travaux pratiques

• Mise en place d'échantillonnage de jeux de donnes. Effectuer des tests d'évaluations sur plusieurs modèles fournis.

Les algorithmes supervisés

• Le principe de régression linéaire univariée.
• La régression multivariée.
• La régression polynomiale.
• La régression régularisée.
• Le Naive Bayes.
• La régression logistique.

Travaux pratiques

• Mise en œuvre des régressions et des classifications sur plusieurs types de données.
• Les algorithmes non supervisés
• Le clustering hiérarchique.
• Le clustering non hiérarchique.
• Les approches mixtes.

Travaux pratiques

Traitements de clustering non supervisés sur plusieurs jeux de données.

Analyse en composantes

• Analyse en composantes principales.
• Analyse factorielle des correspondances.
• Analyse des correspondances multiples.
• Analyse factorielle pour données mixtes.
• Classification hiérarchique sur composantes principales.

Travaux pratiques

• Mise en œuvre de la diminution du nombre des variables et identification des facteurs sous-jacents des dimensions associées à une variabilité importante. 

Analyse de données textuelles

• Collecte et prétraitement des données textuelles.
• Extraction d'entités primaires, d'entités nommées et résolution référentielle.
• Étiquetage grammatical, analyse syntaxique, analyse sémantique.
• Lemmatisation.
• Représentation vectorielle des textes.
• Pondération TF-IDF.
• Word2Vec.

Travaux pratiques

Explorer le contenu d'une base de textes en utilisant l'analyse sémantique latente.

Projet final