Les fondements de l'apprentissage automatique pour les entreprises
Développer des modèles d'aide à la décision et d'automatisation des tâches.
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 divisée en sept modules:
Cours de préparation
Apprentissage non supervisé
Apprentissage supervisé: régression
Apprentissage supervisé: classification
Systèmes de recommandation
Traitement du langage naturel (NLP)
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
|
STANDARD |
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$ |
L'option Lab
Apprenez à votre rythme
L'option Communauté
Apprenez à votre rythme et en communauté
L'option Mentorat
Apprenez à votre rythme, en communauté et avec un mentor
Personnaliser et adapter la formation à la réalité de votre entreprise
Il existe différents programmes de subvention disponibles pour aider les entreprises à former leurs employés à moindres coûts. Si vous souhaitez former vos équipes à l'intelligence artificielle, SCALE AI fournit des aides allant jusqu'à 85% du coût des formations sur-mesure dans le domaine de l'IA. C'est justement ce que notre plateforme peut vous offrir. Alors, n'hésitez plus et atteignez le plein potentiel de votre entreprise.
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)
Les bases de KNIME
Cours
Apprendre les bases du logiciel de science des données KNIME
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
Séries chronologiques (Time Series)
Cours
Cours pour apprendre les bases des séries chronologiques
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.
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
Évaluation finale et certificat d'achèvement
Cours
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 #78: 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)