Intelligence Artificielle et Science des Données : Approche pratique
Toute personne intéressée amenée à mettre en œuvre des méthodes de valorisation et d’analyse de données :
- Analystes et administrateurs de bases de données
- Analystes, consultants, ingénieurs, techniciens et développeurs, techniciens en informatique.
- Statisticiens
1 Approches supervisées – Cadre général
- Plus proches voisins
- Arbre de décisions et forêts aléatoires
- Apprentissage bayésien
- SVM
2 Réseaux de neurones
- Principes
- Perceptron multicouche
3 Approches non supervisées
- Approche par partitionnement
- Classification hiérarchique ascendante
- Recherche de motifs fréquents
4 Fouille dans de nouveaux types de données*
- Images
- Données temporelles
- Textes
(*) Les participants seront amenés à choisir ensemble le thème qui sera mis en pratique sur des données réelles.
Environnement : Weka, R ou Python
La compréhension des défis et concepts de la Science des Données, les notion de programmation sont conseillées mais pas indispensable.
La participation à cette formation ne nécessite pas de pré-requis complémentaires.
Toutes les sessions se dérouleront sous forme d’une présentation des concepts et méthodes associées suivie d’une mise en pratique sur des logiciels et données libres de droit.
Dans le cadre d’une formation en intra-entreprise, les débats porteront principalement sur les problématiques et données de l’entreprise. Les sessions seront orientées en conséquence.
M. Pierre GANÇARSKI, Professeur des Universités, IUT Robert Schumann, Université de Strasbourg
Courriel : gancarski@unistra.fr
Cette formation constitue une action d’adaptation et de développement des compétences.Elle donne lieu à la délivrance d’une attestation de participation.Une évaluation en fin de formation permet de mesurer la satisfaction des stagiaires ainsi que l’atteinte des objectifs de formation (connaissances, compétences, adhésion, confiance) selon les niveaux 1 et 2 du modèle d’évaluation de l’efficacité des formations Kirkpatrick.