Le cursus inclut

La combinaison des connaissance métiers avec les analytiques permettra aux entreprises, grâce à ses talents en interne de:

  • Augmenter ses revenus (par exemple en augmentant la capacité du département de marketing et de vente)

  • Réduire ses coûts (par exemple en optimisant et en automatisant certains processus et tâches).

  • Créer de la valeur (par exemple en créant de nouveaux produits et services)

Description

Dans le milieu des entreprises, les questions en relation avec l’apprentissage automatique qui revient le plus souvent sont les suivantes:

  • Quelles sont les opportunités d’affaires que l'apprentissage automatique peut aider à créer?

  • Quelles sont les applications pratiques?

  • Quelles sont les compétences dont j’ai besoin pour les mettre en place.


l’apprentissage de la création de modèle peut vous être utile, aussi bien pour gagner du temps via la création d'outils d’automatisation de tâches répétitives que pour faire des arbitrages décisionnaires importants au sein de votre organisation.

La combinaison des connaissance métiers avec les analytiques permettra aux entreprises, grâce à ses talents en interne de:

  • Augmenter ses revenus (par exemple en augmentant la capacité du département de marketing et de vente)

  • Réduire ses coûts (par exemple en optimisant et en automatisant certains processus et tâches).

  • Créer de la valeur (par exemple en créant de nouveaux produits et services)

Nous allons suivre une approche pratique. Les concepts fondamentaux de l’apprentissage automatique seront expliqués avec peu ou pas de formules mathématiques. Le focus sera mis sur l’intuition derrière ces concepts et de saisir le potentiel dans votre travail et de commencer à développer des modèles d’automatisation et d’outils d’aide à la décision.

 

Cette formation est conçue autour d'études de cas à réaliser en étapes sous forme de projets guidés et d’un ensemble de cours de préparation.

A la fin de la formation, vous serez en mesure de:

  • Mettre en place un modèle de segmentation des clients

  • Créer un modèle de détection d’anomalie

  • Prédire le prix de vente des maisons

  • Analyser les sondages de satisfaction et d’engagement des employés

  • Mettre en place un modèle de prévision des ventes

  • Prédire l'attrition des employés

  • Construire un modèle de prédiction des défections

  • Concevoir un système de recommandation

  • Analyse des sentiments avec du traitement du langage naturel

  • Comprendre les aspects éthique, de responsabilité de l’apprentissage automatique.

Vous aurez ajouté à vos compétences la capacité à développer rapidement une POC (Preuve de concept) à l’aide d’un outil low-code tel que PyCaret et du logiciel KNIME.

 

Cette formation s’adresse donc aux professionnels et analystes de données (marketing, finance, RH, etc.) et d’affaires désireux d'acquérir des compétences en apprentissage automatique.

La formation est divisé en sept blocs:

  1. Cours de préparation

  2. Apprentissage non supervisé

  3. Apprentissage supervisé: régression

  4. Apprentissage supervisé: classification

  5. Systèmes de recommandation

  6. Traitement du langage naturel (NLP)

  7. Apprentissage profond et éthique

Ce que vous apprendrez

A la fin de la formation, vous serez en mesure de:

  • Créer des modèles prédictifs comme outils d'aide à la décision

  • Développer des modèles d’aide à la décision.

  • Créer un preuve de concept (POC)

  • Automatiser le processus de création de rapport avec SQL et Power BI

  • Construire un système de recommandation

  • Analyse des sentiments - détection de l'attitude (positive, négative, neutre) d'un texte

  • Mettre en place un modèle de prévision des ventes

  • Aperçu des applications en vision par ordinateur (computer vision)

Les outils, langages et logiciels

Tous les outils et logiciels utilisés sont gratuits.

  • Jupyter Notebook

  • Python (Anaconda)

  • KNIME Analytics Platform

  • Keras

Approche pratique

  • Cours

    8 cours de préparation et de support

  • Études de cas

    9 études de cas sous forme de projets pratiques

Vous allez apprendre l’essentiel du langage Python pour la science des données. 

Ressources pour apprendre le logiciel KNIME

Les bases de Python pour l'analyse des données

Cours

Apprendre l'essentiel de Python pour analyser vos données (les bibliothèques Pandas et Seaborn)

La technique de l’apprentissage non supervisé (ou unsupervised learning) consiste à entraîner des modèles, sans réaliser d’étiquetage manuel ou automatique des données au préalable. Les algorithmes regroupent les données en fonction de leur similitude, sans aucune intervention humaine. (source)

Vous allez apprendre deux utilisations très concrètes de l’apprentissage non supervisé :

  • la mise en place d’une segmentation de clients

La segmentation de clients est un processus qui permet d’assigner ceux-ci à un groupe dans lequel les gens sont similaires. Non seulement ce groupe doit être le plus homogène possible mais il doit aussi être le plus distinct des autres groupes. (Thomas, 2007). Cette technique, en marketing, permet d’optimiser l’utilisation des ressources en s’assurant que chaque groupe ait un traitement différencié qui satisfait leurs besoins.

  • identifier des anomalies dans les données

Les applications de détection d'anomalies incluent la détection de fraude dans les transactions financières, la détection de dommages industriels, la détection d'intrusion dans un réseau informatique, la détection d’anomalies médicales et de santé publique et le traitement d’image qui s’intéressent soit à tout changement d’une image dans le temps, soit à des régions qui apparaissent anormales sur l’image statique.

Ressources sur l'apprentissage non supervisé

Cours

des ressources pour apprendre les bases de l'apprentissage non supervisé.

Mettre en place une segmentation des clients

Projet pratique

L’objectif de ce projet est de créer une segmentation de client afin de trouver des actions marketing qui pourraient leur être destinés.

Détection d’anomalie

Projet pratique

Apprendre comment utiliser l'apprentissage automatique pour identifier des anomalies dans les données.

Combien de ventes puis-je espérer sur mon prochain quadrimestre ? Quels sont les risques de précipitations sur mes récoltes ? Quel est le prix de vente que je peux attendre pour ma maison ? Si vous souhaitez répondre à ces questions, c’est que vous cherchez à prédire les données futures d’une variable donnée selon l’analyse d’autres variables indépendantes de la variable cible. Il ne s’agit, ni plus ni moins, que de réaliser un modèle de régression.

Ressources sur la régression

Cours

des ressources pour apprendre les bases de la régression

Prédire le prix de vente de maisons à l'aide d'un modèle de régression

Projet pratique

Comment construire de a à z un modèle de régression à l’aide de PyCaret, une librairie Python Open-Source low-code.

Analyse des sondages de satisfaction et d’engagement des employés

Projet pratique

Déterminer les facteur ayant de l'influence positive ou négative sur l'engagement des employés dans une entreprise

Mettre en place un modèle de prévision des ventes

Projet pratique (OPTIONNEL)

Prédire les ventes d’un produit dans un magasin à l’aide du logiciel KNIME et Python.

Séries chronologiques (Time Series)

Cours

Cours pour apprendre les bases des séries chronologiques

L’apprentissage supervisé ou supervised learning est une méthode de machine learning s'appuyant sur des données ou exemples labellisés (étiquetés ou annotés) pour entraîner des modèles d'intelligence artificielle (IA) prédictifs. (source)

Les bases de l'apprentissage automatique

Cours

Apprendre les fondamentaux de l'apprentissage automatique (machine learning)

Prédire l'attrition des employé.e.s

Projet pratique

Applications en RH. Construire un modèle de classification utilisant la bibliothèque Pycaret

Construction d’un modèle de prédiction des défections

Projet pratique

Utiliser l’apprentissage automatique afin de prédire les défections (churn)

Avec le développement rapide de la technologie et l’augmentation du volume de données, actuellement, qu'ils veuillent faire un achat ou simplement chercher un terme sur Google, les utilisateurs sont confrontés à une grande quantité d'informations et de choix qui rendent difficile la prise de décision. Alors, comment attirer l'attention de vos utilisateurs en tant qu'entreprise? 

Les systèmes de recommandation, une technologie de filtrage de l'information personnalisée, ont été créés. Ils permettent d’exploiter les préférences de l'utilisateur et de lui recommander exactement ce qu'il veut, ou même ce qu'il ne s'attendait pas à trouver dans sa liste des produits préférés.

Les bases des systèmes de recommandation

Cours

Apprendre les principes fondamentaux des systèmes de recommandation

Concevoir un système de recommandation

Projet pratique

Analyser les préférences de l'utilisateur et lui recommander exactement ce qu'il veut, ou même ce qu'il ne s'attendait pas à trouver dans sa liste des produits préférés

Classer des textes en ligne n’est pas une tâche facile. Pourtant, il se peut qu’elle vous soit assignée dans le cadre de votre travail. En plus de classer les textes existants après leur lecture, vous devrez faire de même pour chaque nouveau texte créé. Il peut s’agir de commentaires sur un blogue ou encore d’évaluations de produits ou d’organisations, et ces textes se comptent en centaines, voire en milliers. Que faire pour faciliter et accélérer cette classification? L'analyse des sentiments pourrait être une solution.

Les bases du NLP (Natural Language Processing)

Cours

ensemble de ressources incluant des cours en ligne et des suggestions de livres pour apprendre les bases du Natural Language Processing

Analyse des sentiments avec du traitement du langage naturel

Projet pratique

Apprendre à utiliser l’apprentissage automatique afin de construire un modèle de classification de textes. Pour se faire, nous vous montrons un exemple concret d'application dans une situation d'affaires de l'analyse de sentiments.

Vous apprendrez les principaux concepts de l’apprentissage automatique et profond, tels que : l’architecture d’un réseau de neurones, l’optimisation et la régularisation.

Vous aurez un aperçu de trois domaines de l’apprentissage profond :

  • La vision par ordinateur (computer vision)

  • Le texte et les séquences.

  • L’apprentissage par transfert (transfer learning)

 

Vous apprendrez les bases de Keras, la bibliothèque open source.

Les fondements de l'apprentissage profond (Deep Learning)

Cours

Une approche basée sur la pratique.

Éthique, biais et responsabilité de l'IA/ML

Ressources

des ressources Éthique, biais et responsabilité de l'IA/ML

Temps estimé et une proposition de calendrier

Le cursus est conçu pour que vous puissiez le suivre à votre rythme. Nous vous suggérons ce calendrier sur neuf (9) semaines

  • Semaine #1: COURS DE PRÉPARATION - 10 heures (un minimum de 5 heures)

  • Semaine #2: APPRENTISSAGE NON SUPERVISÉ - 15 heures (un minimum de 10 heures)

  • Semaine #3: APPRENTISSAGE SUPERVISÉ: RÉGRESSION - 15 heures (un minimum de 10 heures)

  • Semaine #4: APPRENTISSAGE SUPERVISÉ: RÉGRESSION (suite) - 15 heures (un minimum de 10 heures)

  • Semaine #5: APPRENTISSAGE SUPERVISÉ: CLASSIFICATION- 15 heures (un minimum de 10 heures)

  • Semaine #6: APPRENTISSAGE SUPERVISÉ: CLASSIFICATION (suite)- 15 heures (un minimum de 10 heures)

  • Semaine #7: SYSTÈMES DE RECOMMANDATION - 10 heures (un minimum de 5 heures)

  • Semaine #8: NLP - 10 heures (un minimum de 5 heures)

  • Semaine #9: APPRENTISSAGE PROFOND et ÉTHIQUE EN IA- 10 heures (un minimum de 5 heures)

  • Lab

    Accès aux laboratoires virtuelles

  • Communauté

    Accès à une communauté privée

  • Mentorat

    Suivi personnel avec 9 séances de mentorat individuel


LAB
COMMUNAUTÉ
MENTORAT
Cours de support
Projets pratiques (études de cas)
Laboratoires virtuels
Certificat d'achèvement
Communauté privée

Mentorat individuel


Prix (par personne) 1350$  1550$  2750$

Tarification sociale

Uluumy souhaite rendre l'intelligence artificielle accessible à toutes et à tous. Pour le permettre, notre plateforme propose une tarification sociale pour les deux options Lab et Communauté