• Former les étudiants à l’utilisation des méthodes d’analyse factorielle en apprentissage statistique non supervisé et supervisé. Maîtriser les bases mathématiques des méthodes d'analyse factorielle,
• Être capable d’utiliser des logiciels statistiques pour la mise en œuvre de ces méthodes,
• Être en mesure d’interpréter les  résultats du traitement pour l’analyse des données en vue de la prise de décision.

1. Méthodes mathématiques pour l’analyse des données.
2. Analyse en composantes principales (ACP).
3. Décomposition en valeur singulière (SVD) pour l’ACP.
4. Partial Least Square version régression et version analyse canonique.
5. Analyse discriminante via Partial Least Square.

Voir la page complète

Aborder la prédiction et l’apprentissage automatique qui sont les tâches les plus courantes effectuées par les data scientists et les data analysts.

1. Présentation des activités clés de l’apprentissage automatique
2. Méthodes d’apprentissage supervisé: régression et classification binaire
3. Approches et algorithmes pour l’apprentissage supervisé
4. Apprentissage itératif basé sur l’optimisation
5. Généralisation, régularisation et Validation

Voir la page complète

Acquérir les bases des Réseaux de Neurones pour le traitement et l’analyse de grands volumes de données.

1. Notions d’apprentissage profond supervisé;
2. Comprendre les algorithmes sous-jacents les méthodes d’apprentissage profond;
3. Structurer et préparer les données sous une forme appropriée;
4. Implémenter un perceptron ;
5. Comprendre l’action des hyperparamètres de base.

Voir la page complète

Présenter une approche et des outils pour le développement de projets IA et Big Data :

1. Structuration de la donnée dans des environnements hétérogènes : différentes familles de bases de données de type NoSQL, Relationnelles et Colonnes ;
2. Apprentissage des architectures Big Data : un exemple de plateforme opérationnelle avec une présentation des avantages et des inconvénients - Les étudiants sont sollicités pour évaluer différents scénarios ;
3. Séances de Travaux en équipe et/ou seul pour apprendre le framework Spark dans un usage lié à des cas concrets issus d’expertises professionnelles ;
4. Développement de modèles d’IA basés sur des cas réels de mise en situation (E-commerce, Industrie 4.0, Géosciences...) ;
5. Exemple d’étude de cas : la démonstration de la prédiction de l’indice de végétalisation sur les années à venir à partir de l’historique d’images satellitaires. L’objectif est de montrer aux étudiants comment dans l’agriculture par exemple on peut imaginer la répartition des zones agricoles.

Voir la page complète