Choisir le bon algorithme de Machine Learning selon son problème

• Comprendre les critères de choix d’un algorithme selon le besoin métier et les données disponibles
• Identifier les principales familles d’algorithmes et leurs cas d’usage
• Savoir arbitrer entre performance, simplicité et interprétabilité des modèles

Chefs de projet data, analystes, développeurs, professionnels métiers impliqués dans des projets IA  

Avoir suivi une initiation au machine learning ou connaître les bases de l’apprentissage supervisé et non supervisé

• Identifier le type de problème à résoudre en machine learning
• Comprendre les avantages et limites des modèles linéaires
• Utiliser les arbres de décision et les forêts aléatoires pour des données complexes
• Explorer les modèles de boosting pour améliorer la précision prédictive
• Découvrir les méthodes basées sur les plus proches voisins et leurs usages
• Comprendre le fonctionnement et les cas d’usage des SVM
• Utiliser les modèles de clustering pour segmenter automatiquement les données
• Explorer les techniques de réduction de dimension pour simplifier l’analyse
• Comparer les modèles selon leurs performances et leur explicabilité
• Construire une démarche méthodique pour tester, comparer et sélectionner un algorithme

• Associer différents cas métiers aux algorithmes les plus adaptés
• Comparer les résultats de plusieurs modèles sur un même jeu de données
• Construire une grille de choix d’algorithme selon des contraintes projet

• Carte mentale des principaux algorithmes de machine learning et de leurs usages
• Tableau comparatif des modèles selon précision, rapidité et interprétabilité
• Modèle de grille d’aide à la décision pour sélectionner un algorithme adapté