Programme
Introduction :
Changements de paradigmes en Statistique : data mining, apprentissage statistique, big data analytics.
La formation alterne exposés méthodologiques des algorithmes concernés, et pratique sur des données réelles.
Introduction
* Changements de paradigmes en Statistique : data mining, apprentissage statistique, big data analytics.
Principales méthodes
* Exploration multidimensionnelle (analyse en composantes principales)
* Classification non supervisée (clustering) par méthode hiérarchique ou partitionnement dynamique
* Estimation d’une erreur de prévision et risque.
* Modèle linéaire et régression logistique (sélection de modèle par sélection de variables et/ou pénalisation)
* Analyse discriminante décisionnelle et algorithme des k plus proches voisins
* Arbres binaires de décision (CART) pour la régression ou la classification
* Réseaux de neurones et introduction à l’apprentissage profond (deep learning)
* Agrégation de modèles (boosting, bagging, random forest)
* Introduction aux SVM (support vector machines ou séparateur à vaste marges)
* Détection d’anomalie ou d’observations atypiques
Étude de cas
En fonction des besoins et centres d’intérêt des participants.
* Pratique de ces méthodes avec le langage R et/ou Python sur différents types de jeux de données de complexité ou volume élémentaire à élevé : prédiction de pics d’ozones, reconnaissance d’activité humaine à partir de signaux enregistrés sur un smartphone, reconnaissance de caractère sur des images.Introduction :
Changements de paradigmes en Statistique : data mining, apprentissage statistique, big data analytics.
La formation alterne exposés méthodologiques des algorithmes concernés, et pratique sur des données réelles.
Introduction
* Changements de paradigmes en Statistique : data mining, apprentissage statistique, big data analytics.
Principales méthodes
* Exploration multidimensionnelle (analyse en composantes principales)
* Classification non supervisée (clustering) par méthode hiérarchique ou partitionnement dynamique
* Estimation d’une erreur de prévision et risque.
* Modèle linéaire et régression logistique (sélection de modèle par sélection de variables et/ou pénalisation)
* Analyse discriminante décisionnelle et algorithme des k plus proches voisins
* Arbres binaires de décision (CART) pour la régression ou la classification
* Réseaux de neurones et introduction à l’apprentissage profond (deep learning)
* Agrégation de modèles (boosting, bagging, random forest)
* Introduction aux SVM (support vector machines ou séparateur à vaste marges)
* Détection d’anomalie ou d’observations atypiques
Étude de cas
En fonction des besoins et centres d’intérêt des participants.
* Pratique de ces méthodes avec le langage R et/ou Python sur différents types de jeux de données de complexité ou volume élémentaire à élevé : prédiction de pics d’ozones, reconnaissance d’activité humaine à partir de signaux enregistrés sur un smartphone, reconnaissance de caractère sur des images.Introduction :
Changements de paradigmes en Statistique : data mining, apprentissage statistique, big data analytics.
La formation alterne exposés méthodologiques des algorithmes concernés, et pratique sur des données réelles.
Introduction
* Changements de paradigmes en Statistique : data mining, apprentissage statistique, big data analytics.
Principales méthodes
* Exploration multidimensionnelle (analyse en composantes principales)
* Classification non supervisée (clustering) par méthode hiérarchique ou partitionnement dynamique
* Estimation d’une erreur de prévision et risque.
* Modèle linéaire et régression logistique (sélection de modèle par sélection de variables et/ou pénalisation)
* Analyse discriminante décisionnelle et algorithme des k plus proches voisins
* Arbres binaires de décision (CART) pour la régression ou la classification
* Réseaux de neurones et introduction à l’apprentissage profond (deep learning)
* Agrégation de modèles (boosting, bagging, random forest)
* Introduction aux SVM (support vector machines ou séparateur à vaste marges)
* Détection d’anomalie ou d’observations atypiques
Étude de cas
En fonction des besoins et centres d’intérêt des participants.
* Pratique de ces méthodes avec le langage R et/ou Python sur différents types de jeux de données de complexité ou volume élémentaire à élevé : prédiction de pics d’ozones, reconnaissance d’activité humaine à partir de signaux enregistrés sur un smartphone, reconnaissance de caractère sur des images.
Cette formation est organisée par l’INSA (Institut national des sciences appliquées) de L’Université de Toulouse. Son objectif est d’aborder et pratiquer une sélection des méthodes récentes de statistique et d’apprentissage machine appliquées à des données de grandes dimensions pour la fouille de données (data mining). Le programme peut être précisé à partir des mots-clefs ci-dessous en fonction des besoins et problématiques de l’entreprise ou des participants.
French 
English