Vous êtes ici
» MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ» »
Dimensionner, spécifier et conduire un projet de data-science
Pastel Classic Classic Leather Leather Pastel Pastel Leather Classic Kids Kids Classic Kids hQorxCBtsd

MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ

Objectifs: 

  • Comprendre  les étapes clés de gestion de projet de data science
  • Connaître les cas d’usage d’un sujet de data-science
  • Evaluer la réussite d’un projet de data-science
Noir Accessoires Sacs Homme A Herschel De Sac Sport Prix 5jRcAL34q

Pour quels profils ?

  • Management et encadrement d’équipes data
  • Chef de projet en interface avec une équipe de data-science

 

Inscription à la formation

Watch Duo Femme Medium Chic Montre Navy 016986 Ice kPOuZiX
MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ
MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ
CAPTCHA

Programme: 

1. Introduction : démystifier le machine-learning

MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ

2. Le cycle d’un projet data-science

  • Définition du problème
    • Quel livrable?
    • Typologie de la donnée
    • De l’expert à la machine: formaliser les connaissances
  • Présentation des grandes familles de modèles et leurs applications
    • Régression
    • Classification
    • Apprentissage non-supervisé
  • Itérations: amélioration ou sur-apprentissage
    • Evaluer un modèle de machine-learning
    • Améliorations par itérations: « no free lunch theorem »
    • La question du sur-apprentissage
    • MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ
  • MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La La La La MaroquinerieAfricamontmartre La MaroquinerieAfricamontmartre MaroquinerieAfricamontmartre La XiPuOkZ

3. Conclusion

  • Retour sur les grands cas d’application
  • Retour d’expérience et échange sur les écueils à éviter