Sessions de formation TIMi Modeler

Cette formation est ouverte à tous les profils : métiers, IT, data analysts, data scientists.

Durée : 2 à 3 jours.

TIMi Modeler est vraiment facile à utiliser, quel que soit votre profil. Il est bien plus simple qu’Anatella : avec Modeler, c’est vraiment « on appuie sur le bouton et les résultats sortent ». En revanche, il faut connaître les bases de la théorie du machine learning pour interpréter correctement les nombreux rapports produits par Modeler.

Pour Modeler, nous consacrons donc en général un ou deux jours (souvent deux) aux bases de la théorie du machine learning. C’est plus un cours magistral avec slides qu’une formation où l’on utilise beaucoup le logiciel. L’idée est de faire de chaque participant un vrai « data scientist », capable de créer seul de bons modèles prédictifs et d’IA pour des problèmes très variés.

Pendant cette courte formation sur la modélisation prédictive et le machine learning, nous passerons en revue les sujets suivants :

• Quels types de problèmes peut-on résoudre avec un outil de machine learning comme TIMi Modeler ? Modèles de cross-selling, modèles de probabilité de défaut, de churn, de propension, de fraude, de risque, de segmentation.
  Les modèles prédictifs pour les « décisions stratégiques et tactiques » sont plus complexes et sont expliqués dans la formation pour experts.
• Quelles étapes méthodologiques suivre avec TIMi Modeler ? Faut-il encore vérifier que la distribution de mes variables est normale avant de lancer la modélisation ?
• Comment éviter les pièges liés aux périodes de temps ? Comment bien définir la cible (c’est-à-dire le groupe cible) en tenant compte de la dimension temporelle ?
• Ce sujet est abordé très brièvement et uniquement sur demande : quels sont les algorithmes de TIMi Modeler ? Quelles sont leurs limites et comment les contourner ? Comment se situent-ils par rapport aux algorithmes d’autres outils de data mining et de ML ? Quelles propriétés mathématiques théoriques de ces algorithmes permettent à TIMi Modeler de produire systématiquement de meilleurs modèles que tous les autres logiciels statistiques (comme SAS, KXEN, ART) ?
• Comment tirer le meilleur parti des rapports générés par TIMi Modeler ? Comment donner du sens métier aux graphiques et aux tableaux des rapports ? (avec une session spéciale sur les modèles d’allocation optimale des ressources.)
• Quels sont les paramètres les plus importants de TIMi Modeler ? Comment s’articulent-ils avec la théorie générale de la modélisation ? Comment les ajuster finement ?
• Que faire quand il n’y a pas de lift, ou presque pas ? Comment améliorer la qualité de votre modèle ?
• Comment traiter différents types de problèmes de modélisation ? Quelles sont les meilleures variables à créer ou à utiliser dans votre jeu de données pour :
  • une application télécoms ?
  • une application de maintenance prédictive ?
  • une application de cross-selling bancaire ?
  • une application de risque de crédit bancaire ?
  • une application CRM classique ?
• Quels sont les pièges et comment les éviter quand on…
  • …crée des modèles continus ?
  • …combine plusieurs modèles binaires en un seul modèle à N classes ?
• Quels comportements étranges peuvent apparaître au cours de la modélisation, et comment les éviter ?

Cette formation est ouverte à tous les profils qui s’intéressent à l’aspect plus mathématique de TIMi Modeler : métiers, IT, data analysts, data scientists.

Durée : 1 à 2 jours + formation utilisateur standard.

Cette formation couvre les sujets suivants :

• Modèles prédictifs pour les « décisions stratégiques et tactiques ».
• Quels sont les différents « paramètres avancés » de TIMi Modeler ?
  Comment les utiliser pour améliorer la précision des modèles prédictifs créés avec TIMi Modeler ?
• Quelles techniques existent pour construire des modèles ? Quelles sont les faiblesses de chacune ? Comment les surmonter ?
• Qu’est-ce que l’overfitting ? Comment l’éviter ?
  • Élagage (pruning)
  • Régression ridge
  • Backward Stepwise
  • Forward Stepwise
  • Validation croisée
• Quels sont les dangers liés à l’échantillonnage ?
• Combinaison de modèles : boosting, bagging, sélection de variables