Accéder au contenu principal

Accueil Machine Learning

Cours

Machine Learning pour le business

DébutantNiveau de compétence

Actualisé 11/2024

Comprenez les principes fondamentaux du Machine Learning et son application dans le monde des affaires.

Commencer le cours gratuitement

TheoryMachine Learning

2 h

15 vidéos

48 Exercices

3,200 XP

46,296

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

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

Il n’y a pas de prérequis pour ce 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 données

Clarification de la terminologie

Ordonner les besoins de la pyramide des données

Faites correspondre les tâches dans la pyramide des besoins en données

Principes du Machine Learning

Types de modélisation

Identifier des cas supervisés et non supervisés

Rôles, outils et technologies

Responsabilités des rôles métiers

Faites correspondre les projets data aux rôles

Types de structures d’équipe

Commencer le chapitre

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.

Le dilemme prédiction vs inférence

Différences entre inférence et prédiction

Identifier les cas d’usage : inférence vs. prédiction

Modèles d’inférence (causals)

Expériences et modèles causaux

Identifier les variables non actionnables

Modèles de prédiction (apprentissage supervisé)

Principes de modélisation supervisée

Identifier les modèles de classification et de régression

Modèles de prédiction (apprentissage non supervisé)

Cas d’usage de la modélisation non supervisée

Classification, régression ou modèles non supervisés

Commencer le chapitre

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.

Exigences métier

Identifier la situation, l’opportunité et l’action

Identifier les expériences réussies

Entraînement du modèle

Processus d’entraînement du modèle

Entraînement, validation et test

Mesure des performances du modèle

Exemples de mauvaises performances

Identifier les métriques de performance

Risques du Machine Learning

Corriger les modèles non performants

Modèles non actionnables

Identifier des recommandations activables

Commencer le chapitre

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.

Erreurs en Machine Learning

Identifier les erreurs en Machine Learning

Pyramide des besoins en données

Faites correspondre les erreurs de ML à leurs types

Gestion de la communication

Priorité à la communication business

Test de marché

Machine Learning en production

Systèmes de production

Cas d’usage du Machine Learning en production

Lancement du Machine Learning en production

Récapitulatif

Commencer le chapitre

Machine Learning pour le business

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Machine Learning pour le business dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.