Méthodes de Machine Learning pour la prédiction de phénomènes (Réf MACLE) Présentiel
Dernière mise à jour : 30/07/2025
Découvrez les principales méthodes de Machine Learning pour prédire des phénomènes à partir de données. Une formation pratique pour comprendre, appliquer et évaluer des modèles prédictifs avec R.
Public
Tout public
Prérequis
Aucun
Objectifs pédagogiques
- Maîtriser l'implémentation d'algorithmes de base et avancés de Machine Learning en R
- Utiliser les techniques de validation croisée et d'optimisation des modèles
- Comprendre les méthodes de régression et de classification, ainsi que leur évaluation
Contenu
- Introduction :
- définition et historique
- modélisation et apprentissage automatique
- apprentissage supervisé et non supervisé
- Procédure d'apprentissage supervisé :
- choix de la méthode
- phénomène de sous-apprentissage et sur-apprentissage (Underfitting/Overfitting)
- validation croisée, validation externe
- comparaison de modèles
- Principaux algorithmes de prédiction étudiés :
- méthodes de régression : linéaire, multiple, ridge, Lasso, ElasticNet, PLS, logistique
- support Vector Machine (SVM)
- K plus proches voisins (KNN)
- arbres de décision et forêts aléatoires (CART, Random Forest)
- descente de gradient
Méthodes pédagogiques
- Exposés et échanges
- Manipulations, exercices pratiques
Evaluation des acquis
Questionnaire
Responsable pédagogique
BARON Alisson
Diplômée d’un Master Ingénierie Statistique pour les sciences du vivant à l’Université Paris Descartes, Alisson travaille trois ans en tant qu’ingénieure de recherche dans le secteur privé. Elle devient Data Scientist pour le service DATA’STAT d'Idele en 2021, assurant des formations et des appuis statistiques aux projets de recherche.
M'inscrire à la formation
Repas et hébergement
Déjeuners offerts. L'hébergement et les repas du soir ne sont ni gérés, ni pris en charge par l'Institut de l'Elevage.