Formation Altair AI Studio

Programme de notre formation Altair AI Studio : Data Mining et Machine Learning

[Jour 1 – Matin]

Prendre en main Altair AI Studio et les workflows Data Mining

• Comprendre l’évolution de RapidMiner Studio vers Altair AI Studio et son positionnement dans l’écosystème Data Science
• Découvrir la méthodologie CRISP-DM et les étapes d’un projet de Data Mining
• Prendre en main l’interface, les repositories, processus, opérateurs et paramètres
• Construire et exécuter un premier workflow visuel de traitement des données
• Importer des données depuis des fichiers, bases de données et autres sources disponibles
• Atelier pratique : créer un premier processus Altair AI Studio pour importer, explorer et transformer un jeu de données.

[Jour 1 – Après-midi]

Préparer, transformer et explorer les données

• Nettoyer les données et traiter les valeurs manquantes, doublons et valeurs aberrantes
• Transformer les variables avec normalisation, discrétisation, encodage, filtrage et échantillonnage
• Fusionner, joindre et agréger plusieurs sources de données dans un même workflow
• Créer de nouvelles variables et mettre en œuvre des techniques de feature engineering
• Analyser les distributions, corrélations et outliers avec les outils de visualisation et d’exploration
• Atelier pratique : préparer un dataset brut, construire de nouvelles variables et réaliser une analyse exploratoire avant modélisation.

[Jour 2 – Matin]

Construire des modèles supervisés de classification et de régression

• Comprendre les différences entre classification et régression et sélectionner une approche selon le problème métier
• Construire des modèles avec Decision Tree, Random Forest, SVM et k-NN
• Mettre en œuvre des modèles de régression et interpréter leurs prédictions
• Structurer les étapes d’entraînement, d’application du modèle et de prédiction dans un workflow
• Mesurer les performances avec accuracy, precision, recall, F1-score et métriques de régression
• Atelier pratique : entraîner plusieurs modèles supervisés, comparer leurs résultats et sélectionner le modèle le plus adapté au cas d’usage.

[Jour 2 – Après-midi]

Explorer les données avec clustering et réduction dimensionnelle

• Comprendre les principes du Machine Learning non supervisé et ses principaux cas d’usage
• Construire des clusters avec k-Means, k-Medoids et DBSCAN
• Choisir les mesures de distance et de similarité adaptées aux données analysées
• Évaluer les clusters avec l’indice de Silhouette et le Davies-Bouldin Index
• Réduire la dimension et sélectionner les variables avec PCA, pondération et techniques de sélection de caractéristiques
• Atelier pratique : segmenter un jeu de données, comparer plusieurs stratégies de clustering et interpréter les groupes obtenus.

[Jour 3 – Matin]

Évaluer et optimiser les modèles Machine Learning

• Mettre en œuvre le split training/test et la cross-validation pour évaluer les modèles
• Interpréter la matrice de confusion, les courbes ROC, l’AUC et les principales métriques de performance
• Identifier le sur-apprentissage et le sous-apprentissage et appliquer les stratégies correctives
• Comparer plusieurs algorithmes et configurations afin de sélectionner le meilleur modèle
• Optimiser les hyperparamètres et automatiser la recherche des configurations performantes
• Atelier pratique : évaluer plusieurs modèles par cross-validation puis optimiser les hyperparamètres du meilleur candidat.

[Jour 3 – Après-midi]

Industrialiser et enrichir les workflows Altair AI Studio

• Structurer des workflows réutilisables et organiser les processus pour faciliter leur maintenance
• Exporter les résultats et intégrer les traitements avec des fichiers, bases de données, API et systèmes externes
• Étendre les capacités d’Altair AI Studio avec Python et combiner approche visuelle et développement
• Automatiser les traitements et préparer l’intégration des workflows analytiques dans les processus de l’entreprise
• Découvrir l’intégration des LLM et Generative Models dans AI Studio : prompting, modèles externes et nouveaux cas d’usage
• Atelier pratique : construire un workflow de bout en bout intégrant préparation des données, modèle ML, automatisation et enrichissement par un composant externe.