Data science appliquée

Objectifs

• Comprendre ce qu'est la Data Science, le Machine Learning et l’Intelligence Artificielle, de la théorie à la pratique
• Identifier les différentes étapes des pipelines d’apprentissage automatique
• Découvrir et s’exercer avec différents outils classiques

Public

• Développeur/euse, analyste

Programme

Jour 1:

• Introduction
  • Qu’est-ce que la Data Science? Définition et relations avec le Machine Learning et l’Intelligence Artificielle?
• Machine Learning
  • Types d’apprentissage, types de problèmes, et cas d’utilisation pratiques
  • Comment ça marche?
• Pipeline de l'apprentissage automatique : Des données au modèle
  • Collecte et préparation des données
    • Problèmes de données courants
    • Préparation et partitionnement
• Extraction des caractéristiques
  • Sélection des caractéristiques
  • Réduction des dimensions
  • Normalisation
• Entraînement et évaluation du modèle
  • Sélection de l'algorithme approprié
  • Métriques d’évaluation
  • Sur-apprentissage et sous-apprentissage: le dilemme biais-variance
  • Ajustement des hyper-paramètres
• Outils du Data Scientist: Python, Jupyter Notebook, Numpy, Scikit-learn, Git, etc.
• Mise en pratique

Jour 2:

• Qu’est-ce que le Deep Learning?
• Exemples d’applications
  • Traitement d’images
  • Traitement du langage naturel
  • Autres
• Modèles de Deep Learning
  • Convolutional Neural Networks (NN)
  • Recurrent NN
  • Transformer Networks
• Apprentissage par transfert (Transfer Learning)
• Mise en pratique

Direction

• Prof. Giovanna DI MARZO SERUGENDO, Centre universitaire d'informatique (CUI), Université de Genève

Coordination

• Dre Lamia FRIHA, Université de Genève