Histoire du Machine Learning et contexte du Big Data

• Replacer à leur échelle les concepts d'Intelligence Artificielle, apprentissage automatique (machine learning)...
• Le lien avec les mathématiques, les statistiques (inférentielles), le data mining et la data science.
• Passer de l'analyse descriptive à l'analyse prédictive puis prescriptive.
• Les applications du Machine Learning (moteurs de recherche, détection des spams, lecture des chèques).
• La typologie des algorithmes de Dominique CARDON.
• La communauté Data Science et les challenges Kaggle (ex. de Netflix).

Les données à disposition : collecte et préparation

• Données structurées, semi-structurées et non structurées.
• Nature statistique des données (qualitatives ou quantitatives).
• Objets connectés (IoT) et streaming.
• Opportunités et limites de l'Open Data.
• Identification des corrélations, problème de la multicolinéarité.
• Réduction des dimensions par Analyse des Composantes Principales.
• Détection et correction des valeurs aberrantes.
• Les ETL (Extract Transform Load).
• Le Web scraping.

Les outils du marché pour le traitement de la donnée et le Machine Learning

• Les logiciels traditionnels (SAS, SPSS, Stata...) et leur ouverture à 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 postes en entreprises : data engineer, data scientist, data analyst, etc.
• Associer les bonnes compétences à ces différents outils.
• Les API en ligne (IBM Watson, Microsoft Cortana Intelligence...).
• Les chatbots (agents conversationnels).

Les différents types d'apprentissage en Machine Learning

• Apprentissage supervisé : répéter un exemple.
• Apprentissage non supervisé : découvrir les données.
• Online (Machine) Learning par opposition aux techniques batch.
• Reinforcement learning : optimisation d'une récompense.
• Autres types d'apprentissage (par transfert, séquentiel, actif...).
• Illustrations (moteurs de recommandation...).

Les algorithmes du Machine Learning

• Régression linéaire simple et multiple. Limites des approches linéaires.
• Régression polynomiale (LASSO). Séries temporelles.
• Régression logistique et applications en scoring.
• Classification hiérarchique et non hiérarchique (KMeans).
• Classification par arbres de décision ou approche Naïve Bayes.
• Ramdom Forest (développement des arbres de décision).
• Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
• Deep Learning : exemples et raisons du succès actuel.
• Text Mining : analyse des corpus de données textuelles.

Procédure d'entraînement et d'évaluation des algorithmes

• Séparation du jeu de données : entraînement, test et validation.
• Techniques de bootstrap (bagging).
• Exemple de la validation croisée.
• Définition d'une métrique de performance.
• Descente de gradient stochastique (minimisation de la métrique).
• Courbes ROC et de lift pour évaluer et comparer les algorithmes.
• Matrice de confusion : faux positifs et faux négatifs.

Mise en production d'un algorithme de Machine Learning

• Description d'une plateforme Big Data.
• Principe de fonctionnement des API.
• Du développement à la mise en production.
• Stratégie de maintenance corrective et évolutive.
• Evaluation du coût de fonctionnement en production.

Aspects éthiques et juridiques liés à l'Intelligence Artificielle

• Missions de la CNIL et évolutions à venir.
• Question du droit d'accès aux données personnelles.
• Question de la propriété intellectuelle des algorithmes.
• Nouveaux rôles dans l'entreprise : Chief Data Officer et Data Protection Officer.
• Question de l'impartialité des algorithmes.
• Attention au biais de confirmation.
• Les secteurs et les métiers touchés par l'automatisation.