Skip to main Content

Introduction à l'analyse prédictive et cognitive et au Machine Learning

  • Référence GKDAML
  • Durée 5 jour(s)

Modalité pédagogique

Options de paiement complémentaires

  • GTC 47 TTC

    Les GTC sont proposés en exclusivité aux partenaires autorisés afin de gagner du temps et de fluidifier le processus d'achat des formations chez Global Knowledge. Il s’agit d’un crédit universel qui peut être utilisé dans les centres Global Knowledge à travers le monde.

Classe inter en présentiel Prix

EUR3 350,00

hors TVA

Demander une formation en intra-entreprise S'inscrire

Aller à:

Modalité pédagogique

La formation est disponible dans les formats suivants:

  • Classe inter en présentiel

    Formation délivrée en inter-entreprises. Cette méthode d'apprentissage permet l'interactivité entre le formateur et les participants en classe.

Demander cette formation dans un format différent

Ce cours d'une durée de 5 jours se divise en 2 parties et propose une revue des modèles d’analyse prédictives utilisés dans le contexte de la data science et du Big Data. La première est une introduction aux concepts de base de la théorie des probabilités et statistiques. La deuxième partie est une introduction aux principaux modèles statistiques, automatiques et machine learning utilisés dans le monde de la data science. Les différents algorithmes sont présentés et illustrés avec des exemples concrets avec les langages R, Python ou avec le logiciel d’analyse statistique IBM SPSS.

 Mise à jour : 26.01.2023

 

 

 

Prochaines dates

Haut de page

Toute personne qui a besoin d’acquérir les connaissances de base de la théorie des probabilités et statistiques afin d’analyser correctement les données de l’entreprise et qui voudrait avoir une compréhension générale des différents modèles prédictifs utilisés.

 

 

 

 

Programme détaillé

Haut de page

PARTIE 1

Introduction aux Probabilités :

  • Evénement et Univers
  • Définition d’une Probabilité
  • Probabilité Conditionnelle
  • Indépendance en Probabilité
  • Formule de Bayes

Variable aléatoire

  • Variable aléatoire Discrète
  • Variable aléatoire Continue
  • Lois usuelles

Statistiques Descriptives

  • Caractéristiques de position et de dispersion
  • Graphiques

Inférence Statistique

  • Estimation de la moyenne et de la variance
  • Tests Statistiques : Test d’ajustement (Test de Normalité), Introduction au Test de comparaison de moyennes

PARTIE 2

Les modèles de régression

  • Modèles de la Régression Linéaire et ses variantes : Régression par les moindres créés, Régression de Ridge, Régression de Lasso
  • Modèles de la Régression logistique : Régression logistique binaire, et multinomiale

Modélisation Automatique, Machine Learning et Cognitive

  • K-means
  • Les plus proches voisins
  • Arbres de décision
  • Forêts aléatoires
  • Réseaux de Neurones
  • Réseaux bayésiens
  • Algorithme de recommandations
  • Deep Learning

 

 

Pré-requis

Haut de page

Toute personne ayant idéalement un profil scientifique et intéressé par une revue des modèles d’analyse prédictives utilisés dans le contexte de la data science et du big data.

 

 

 

 

Cookie Control toggle icon