McGill University

Mes principales connaissances acquises durant cette formation sont :
• La science des données pour les décisions d'affaires : générez des informations sur les données et améliorez les processus en tirant parti d'outils tels qu'Alteryx et Tableau.
• Statistique pour l’apprentissage automatique : Exposer les dimensions théoriques de l'apprentissage automatique conventionnel et examiner comment il s'applique aux problèmes des entreprises. Cela comprend, mais sans s'y limiter : la régression, la classification, les méthodes d'évaluation et de rééchantillonnage de modèles, la sélection de modèles et de variables, la réduction de dimension, les splines de lissage.
• Pratique de l’apprentissage automatique : un guide sur l'apprentissage profond et les réseaux de neurones dans différentes applications, y compris le traitement d'images, l'exploration de texte, les séries chronologiques, la détection d'anomalies, l'apprentissage par renforcement. Cela inclut, mais sans s'y limiter : Un réseau de neurones résiduels (ResNet), LSTM, CNN, Auto-Encoder, BERT et Transformer, astuces pour améliorer les performances. Mise en production avec GCP et TensorFlow.
• Données à l’échelle : expérience pratique de l'ingestion de données à l'analyse de grands ensembles de données (non structurées et structurées), à la fois hors ligne et en continu. Cela comprend: Hadoop, Spark, Hive, Pig, Sqoop, Nifi, HBase, Kafka, Flume, Solr.
• Projet Capstone: Mise en pratique des compétences acquises durant le programme par l’entremise d’un projet pratique (prédire le risque d’incendie dans la ville de Montréal). Préparation, analyse, visualisation des données, élaboration d’un modèle et présentation des recommandations découlant de l’analyse.