Build your ultimate AI agent
Description du cours
Apprenez les principes fondamentaux de l'apprentissage automatique
Ce cours présentera les éléments clés de l'apprentissage automatique aux dirigeants d'entreprise. Nous nous concentrerons sur les idées clés et les pratiques de base permettant de structurer les questions commerciales sous forme de projets de modélisation avec les équipes d'apprentissage automatique.
Découvrez les caractéristiques du modèle
Vous comprendrez les différents types de modèles, les questions commerciales auxquelles ils permettent de répondre ou les opportunités qu'ils peuvent révéler. Vous apprendrez également à identifier les situations dans lesquelles l'apprentissage automatique ne doit PAS être appliqué, ce qui est tout aussi important. Vous comprendrez la différence entre l'inférence et la prédiction, la prédiction des probabilités et des montants, et comment l'utilisation de l'apprentissage non supervisé peut contribuer à élaborer une stratégie de segmentation de la clientèle pertinente.
Prérequis
Aucun prérequis pour ce cours
Programme de formation
Plan du cours
1
Cas d’usage du Machine Learning et des données
Le Machine Learning est utilisé dans de nombreux secteurs et domaines. Bien appliqué, il peut transformer l’entreprise en profondeur. Ce chapitre présente des cas d’usage du Machine Learning, les rôles métiers impliqués et leur place dans la pyramide des besoins en données.
- Machine Learning et pyramide des données50 XP
- Clarification de la terminologie50 XP
- Ordonner les besoins de la pyramide des données100 XP
- Faites correspondre les tâches dans la pyramide des besoins en données100 XP
- Principes du Machine Learning50 XP
- Types de modélisation50 XP
- Identifier des cas supervisés et non supervisés100 XP
- Rôles, outils et technologies50 XP
- Responsabilités des rôles métiers50 XP
- Faites correspondre les projets data aux rôles100 XP
- Types de structures d’équipe100 XP
2
Types de Machine Learning
Ce chapitre propose un panorama des différents types de Machine Learning. Nous verrons la différence entre modèles causaux et prédictifs, explorerons l’apprentissage supervisé et non supervisé, puis détaillerons les sous-types de l’apprentissage supervisé : classification et régression.
3
Exigences métier et conception de modèles
Ce chapitre passe en revue les étapes clés pour cadrer les besoins métier, identifier et dimensionner les opportunités de Machine Learning, évaluer la performance des modèles et repérer les risques de performance au passage.
4
Gérer des projets de Machine Learning
Ce chapitre examine les meilleures et les pires pratiques pour gérer des projets de Machine Learning. Nous identifierons les erreurs les plus fréquentes, apprendrons à orchestrer la communication entre les équipes métier et ML, et aborderons les défis liés au déploiement de modèles de Machine Learning en production.
R
Machine Learning pour le business
Cours
terminé
