Présentation
Comment améliorer votre production via les techniques de « Machine Learning »?
Intégrer les techniques de « Machine Learning » dans les démarches d’amélioration continue,
d’excellence opérationnelle ou de 6 Sigma. - Maîtriser les finalités des techniques de «Machine Learning »
- Utiliser et perfectionner des techniques essentielles de «Machine Learning » afin d'analyser et optimiser les performances des systèmes de production
L’apprentissage est basé sur un temps dédié aux techniques de nettoyage d’une base de données suivi du déploiement concret d’un outil de « Machine Learning ».
Programme
La formation se déroule sur 3 jours (1 jour/semaine)
Note : Cas
concret avec découverte et manipulation des outils, suivi d’un déploiement sur
une base de données générique fournie par les formateurs.
I : Découverte et analyse des
finalités des techniques de «machine learning» à partir de différents scenarii.
- Estimation,
Estimateur, biais, … (notions clés de statistiques)
- Scenarii de déploiement des
techniques de Machine Learning pour l’amélioration des performances des systèmes de production (illustrés sur une étude de cas) :
- Identifier
les paramètres clés de mon système de production et de mes produits
- Identifier
les stratégies de réglage du système de production
- Prédire
le taux de non-conformité Produit
- Identifier les causes d’une
non-conformité Produit ou de défaillance Process
II : Prétraitement de données
- Préparer les données pour
mieux les exploite :
- Nettoyage des valeurs
manquantes
- Codage des valeurs
non-numériques
- Transformation et mise à
l’échelle des données
- Réduction de la dimensionnalité
; réduire le nombre de paramètres en fonction de leur pertinence
- Applications sur une étude de
cas – mise en œuvre avec Python
III : Découverte et maîtrise
des techniques d’association et de classification - Réduire le volume et/ou les dimensions de données à traiter, extraire des règles de réglages
- Réduction de la
dimensionnalité, et étude de corrélation entre les paramètres : Analyse de
composantes principales, …
- Extraction des règles qui
régissent un jeu de données : Arbres de décision, Random Forest.
- Régression logistique
- Applications sur une étude de
cas – mise en œuvre avec Python
IV : Découverte et maîtrise
des techniques de classification et clustering. - Prédire la production non
conforme/défaillante ; Identifier les causes de non-conformité ou de
défaillance.
- Identification des groupes de
données similaires (ex : gammes de production) : K-MEANS.
- Prédiction de la
non-conformité : KNN & SVM.
- Applications sur une étude de
cas – mise en œuvre avec Python
V : Découverte de la
conception de réseaux de neurones. - Prédire les performances de
systèmes de production
- Base de la conception d’un
réseau de neurones en classification et régression
- Amélioration des prédictions
(par configuration des hyperparamètres du réseau)
-
Applications sur plusieurs études de cas – mise en
œuvre en Python et Tensorflow
Objectifs pédagogiques
- Maîtriser les finalités des techniques de Machine Learning
- Utiliser
et perfectionner des techniques essentielles de Machine Learning afin
d'analyser et optimiser les performances des systèmes de production.
Prérequis
Avoir des connaissances en programmation python.
Dates (3 jours de formation) :
23 et 28 avril 2025 + le 6 mai 2025
Tarifs :
1 980,00 euros les 3 jours de formation avec déjeuner inclus.
Intervenants :
Jean-Yves DANTAN, Professeur des universités en Génie Mécanique et industriel.
Wahb ZOUHRI, Maître de conférences en Génie industriel.
Alain ETIENNE, Maître de conférences en Génie informatique et industriel.
Lazhar
HOMRI, Maître de conférences ne Génie mécanique et industriel.
|