Méthodes d’apprentissage supervisé : Arbres de décision et forêts aléatoires
Boostez vos compétences en data science avec notre formation sur les méthodes d’apprentissage supervisé. Découvrez comment exploiter les arbres de décision et forêts aléatoires pour transformer des données complexes en décisions éclairées.
Proposé par
GROUPE ARKESYS
Prérequis
- IL EST INDISPENSABLE que les participants aient de bonnes connaissances sur les outils statistiques de base : corrélation, écart-type, variance, intervalles de confiance, tests d'hypothèses.
- Dans le cas où la formation serait effectuée avec le logiciel R, une connaissance de base de ce logiciel est préconisée.
Public admis
- Salarié en Poste
- Entreprise
Demandeur d'emploi et Etudiant non admis
Financement
- Votre OPCO
- Financement personnel
Financement CPF non pris en charge
Modalités
- En centre
- En entreprise
- À distance
Objectifs pédagogiques
- Maîtriser le vocabulaire spécifique aux méthodes d'apprentissage supervisé
- Identifier le contexte et les conditions d'application des méthodes d'apprentissage supervisé
- Connaître les objectifs et les différences entre les méthodes d'apprentissage supervisé
- Décrire la méthodologie inhérente à ces méthodes
- Mettre en œuvre et interpréter les résultats des méthodes d'apprentissage supervisé
- Connaître les principaux indicateurs de cohérence liés aux méthodes d'apprentissage supervisé
- Connaître les paramètres à ajuster lors de la mise en œuvre des méthodes d'arbre de décision et de forêt aléatoire
- Maitriser les paramètres permettant d'estimer la qualité de ces analyses
Programme de la formation
Généralités sur les différentes méthodes d'apprentissage supervisé
- Champs d'application des différentes méthodes
- Objectifs de l'apprentissage supervisé
- Objectifs de description
- Objectifs de prédiction
- Structure des jeux de données
- Présentation générale de l'éventail des méthodes
- Arbre de décision
- Forêt aléatoire
Contexte d'application des méthodes d'arbre de décision
- Structure du jeu de données
- Principes, vocabulaire et objectifs
- Notion d'échantillon d'apprentissage, de validation et de test
- Comparaison de méthodes de type régression linéaire / logistique aux arbres de décision
- Principe de la segmentation selon le type de variable : Arbre de régression ou arbre de classification
- Définir les conditions d'arrêt de construction d'un arbre : Notion de pré-élagage
- Définition des groupes après construction de l'arbre
- Indicateurs de qualité
- Comparaison d'arbre de décision selon un certain type d'algorithme : CHAID vs CART
- Avantages et inconvénients : limites des arbres de décision
- Mise en œuvre et interprétation des résultats obtenus après application d'une analyse par arbre de décision
Contexte d'application des méthodes de forêt aléatoire
- Pourquoi avoir recourt aux forêts aléatoires ?
- Principes et objectifs
- Instabilité de l'arbre
- Notion de Bagging
- Les erreurs liées à l'échantillonnage (Out-Of-Bag)
- Prédiction avec un algorithme de Forêt aléatoire : Les paramètres
- Evaluer l'importance des variables
- Notion d'importance
- Comportement de l'importance
- Lien entre diversité des arbres et l'importance
- Influence des paramètres
- Sélection de variables
- Généralités et principes de la sélection
- Procédure de sélection
- Les paramètres de sélection
Proposé par
GROUPE ARKESYS
"La formation maintenant pour vos talents de demain"
Proposé par
GROUPE ARKESYS
