Dévoiler les concepts de base de la formation en apprentissage automatique Ppt

Diapositive 4

Cette diapositive présente l'apprentissage automatique qui est l'étude d'algorithmes informatiques qui peuvent s'améliorer automatiquement en fonction de l'expérience et des données. C'est une composante de l'Intelligence Artificielle.

Remarques de l'instructeur :

Les algorithmes d'apprentissage automatique ont de nombreuses applications, telles que la médecine, le filtrage des e-mails, la reconnaissance vocale et la vision par ordinateur, où il est difficile ou impossible de développer des algorithmes conventionnels pour effectuer les tâches requises.

Diapositive 5

Cette diapositive donne des informations sur l'histoire du "Machine Learning". Arthur Samuel, un pionnier dans les domaines des jeux informatiques et de l'intelligence artificielle, a inventé l'expression "Machine Learning" en 1959.

Diapositive 6

Cette diapositive indique que les algorithmes d'apprentissage automatique sont capables de s'améliorer grâce à la formation. Actuellement, trois stratégies importantes sont utilisées pour entraîner les algorithmes de ML : l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement.

Diapositive 7

Cette diapositive donne un aperçu de l'apprentissage supervisé, qui est l'un des types les plus élémentaires d'apprentissage automatique. Dans ce cas, l'algorithme d'apprentissage automatique est formé sur des données étiquetées. Même si les données doivent être correctement marquées pour que cette méthode fonctionne, l'apprentissage supervisé est puissant lorsqu'il est utilisé dans les bonnes situations.

Diapositive 8

Cette diapositive montre que l'analyse de régression est l'approche fondamentale utilisée dans Machine Learning pour résoudre les problèmes de régression, à l'aide de la modélisation des données. Cela implique d'établir la meilleure ligne d'ajustement, qui passe par tous les points de données tout en minimisant la distance entre la barre et chaque point de données. L'approche de régression est principalement utilisée pour identifier la force des prédicteurs, la tendance des prévisions, les séries chronologiques et, dans le cas d'une relation de cause à effet.

Diapositive 9

Cette diapositive décrit que la régression linéaire et la régression logistique sont deux approches d'analyse de régression utilisées pour résoudre les problèmes à l'aide de l'apprentissage automatique ; ce sont les approches de régression les plus populaires. Cependant, il existe de nombreux types d'approches d'analyse de régression dans l'apprentissage automatique, et leur utilisation varie en fonction de la nature des données.

Diapositive 10

Cette diapositive indique que l'analyse de régression a de nombreux types et que l'application de chaque approche dépend du nombre de composants. Ces variables incluent le type de variable cible, la forme de la droite de régression et le nombre de variables indépendantes.

Diapositive 11

Cette diapositive décrit que la régression linéaire est l'une des formes les plus fondamentales de régression dans l'apprentissage automatique. Le modèle de régression linéaire relie linéairement une variable prédictive et une variable dépendante.

Diapositive 12

Cette diapositive indique que la régression polynomiale est un type d'approche d'analyse de régression dans l'apprentissage automatique. Il est similaire à la régression linéaire multiple mais avec quelques différences. Comme estimateur, un modèle linéaire est utilisé. La méthode des moindres carrés moyens est également utilisée dans la régression polynomiale.

Diapositive 13

Cette diapositive indique que ce type de régression dans Machine Learning est utilisé lorsque les variables indépendantes ont une forte corrélation. En effet, dans les données multicolinéaires, les estimations des moindres carrés produisent des résultats non biaisés. Cependant, si la colinéarité est trop élevée, il peut y avoir une certaine valeur de biais.

Diapositive 14

Cette diapositive indique que la régression au lasso est une sorte de régression dans Machine Learning qui inclut la régularisation et la sélection de fonctionnalités. Elle interdit la taille absolue des coefficients de régression ; et par conséquent, la valeur du coefficient se rapproche de 0, ce qui n'est pas le cas avec Ridge Regression.

Diapositive 15

Cette diapositive montre que la régression bayésienne est un type de régression d'apprentissage automatique qui utilise le théorème de Bayes pour déterminer la valeur des coefficients de régression. Au lieu de calculer les moindres carrés, cette approche de régression détermine la distribution a posteriori des caractéristiques.

Diapositive 16

Cette diapositive indique que les arbres de décision sont un outil pratique et ont de nombreuses applications. Les arbres de décision peuvent être utilisés pour résoudre les problèmes de classification et de régression. Le nom indique qu'il affiche les prédictions provenant d'une série de divisions basées sur les fonctionnalités à l'aide d'une structure arborescente de type organigramme. Tout commence par un nœud racine et se termine par un choix de feuille.

Diapositive 17

Cette diapositive donne un aperçu de l'algorithme de forêt aléatoire. Une forêt aléatoire est un groupe d'arbres de décision. Chaque arbre est classé et l'arbre "vote" pour que cette classe classe un nouvel élément en fonction de ses propriétés. La forêt choisit la catégorisation avec le plus grand nombre de votes (sur tous les arbres de la forêt).

Diapositive 18

Cette diapositive donne un aperçu de la régression logistique qui est une sorte d'approche d'analyse de régression utilisée lorsque la variable dépendante est discontinue : par exemple, 0 ou 1, vrai ou faux, etc. La fonction Logit est utilisée dans la régression logistique pour évaluer le lien entre la variable cible et les variables indépendantes.

Diapositive 19

Cette diapositive montre que KNN est un algorithme simple qui conserve toutes les instances existantes et classe les nouveaux cas en fonction d'un vote majoritaire de ses k voisins.

Notes de l'instructeur :

KNN peut être compris par analogie avec la vie réelle. Par exemple, si vous voulez en savoir plus sur quelqu'un, discutez avec ses amis et ses collègues.

Considérez ce qui suit avant de vous installer sur l'algorithme des K plus proches voisins :

• KNN est coûteux à calculer et à arriver à
• Les variables doivent être normalisées, sinon des variables de plage plus grande entraîneront un biais de l'algorithme
• Les données doivent encore être prétraitées

Diapositive 20

Cette diapositive indique que Naive Bayes est une technique d'apprentissage automatique probabiliste basée sur le théorème de Bayes et est utilisée pour un large éventail de problèmes de classification. Un modèle bayésien naïf est simple à construire et fonctionne bien avec des ensembles de données volumineux. Il est simple à utiliser et surpasse même les algorithmes de classification les plus sophistiqués.

Diapositive 21

Cette diapositive montre que l'algorithme SVM est un processus de classification dans lequel les données brutes sont affichées sous forme de points dans un espace à n dimensions (n étant le nombre de fonctionnalités dont vous disposez). La valeur de chaque caractéristique est ensuite attribuée à un emplacement spécifique, ce qui simplifie la catégorisation des données. Les lignes de classification peuvent diviser les données et les tracer sur un graphique.

Diapositive 23

Cette diapositive montre que l'apprentissage automatique non supervisé a l'avantage de travailler avec des données non étiquetées. Cela implique qu'aucun travail humain n'est nécessaire pour rendre l'ensemble de données lisible par machine, ce qui implique que le logiciel travaille sur des ensembles de données beaucoup plus volumineux.

Diapositive 24

Cette diapositive présente le clustering dans Machine Learning qui catégorise une population ou définit des points de données dans des clusters afin que les points de données d'un groupe similaire soient plus identiques les uns aux autres et différents des points de données d'autres groupes. C'est une classification des objets basée sur leurs similitudes et leurs dissemblances.

Diapositive 25

Cette diapositive indique qu'il existe une variété de techniques de clustering disponibles. Voici les approches de clustering les plus couramment utilisées dans l'apprentissage automatique : clustering de partitionnement, clustering basé sur la densité, clustering basé sur le modèle de distribution, clustering hiérarchique et clustering flou.

Diapositive 26

Cette diapositive illustre que les données sont divisées en groupes non hiérarchiques dans la technique de clustering de partitionnement ou basée sur le centroïde. La technique K-Means Clustering en est un exemple bien connu. L'ensemble de données est divisé en K groupes, où K désigne le nombre de groupes prédéfinis. Le centre du cluster est conçu de manière à ce que la distance entre les points de données d'un cluster et le centroïde d'un autre cluster soit la plus faible possible.

Diapositive 27

Cette diapositive indique que l'approche de clustering basée sur la densité joint les zones denses pour former des clusters, et des distributions de forme arbitraire sont générées tant que la région dense peut être liée. Le programme accomplit cela en détectant des clusters distincts dans l'ensemble de données et en connectant les zones à haute densité en clusters.

Notes de l'instructeur : si l'ensemble de données a une densité élevée et plusieurs dimensions, ces algorithmes peuvent avoir du mal à regrouper les points de données.

Diapositive 28

Cette diapositive explique que l'approche de clustering basée sur le modèle de distribution divise les données en fonction de la probabilité qu'un ensemble de données corresponde à une distribution spécifique. Le regroupement est accompli en supposant des distributions spécifiques, notamment la distribution gaussienne.

Notes de l'instructeur : La méthode de regroupement Attente-Maximisation, qui utilise des modèles de mélange gaussien, est un exemple de ce type (GMM) de regroupement.

Diapositive 29

Cette diapositive montre qu'en tant qu'alternative au clustering partitionné, le clustering hiérarchique peut être utilisé car il n'est pas nécessaire de répertorier le nombre de clusters à former. L'ensemble de données est séparé en grappes pour former une structure arborescente connue sous le nom de dendrogramme.

Diapositive 30

Cette diapositive indique que le clustering flou est une technique souple dans laquelle un objet de données peut être affecté à plusieurs groupes appelés clusters. Chaque ensemble de données possède une collection de coefficients d'appartenance proportionnels au degré d'appartenance d'un cluster.

Diapositive 31

Cette diapositive donne un aperçu de l'algorithme de clustering qui est une approche non supervisée dans laquelle l'entrée n'est pas étiquetée. La résolution de problèmes repose sur l'expertise de l'algorithme acquise en résolvant des problèmes similaires pendant le programme de formation.

Remarques de l'instructeur :

• Les méthodes de clustering peuvent être classées en fonction des modèles décrits ci-dessus. De nombreuses méthodes de regroupement ont été décrites, mais seules quelques-unes sont largement utilisées
• Le type de données utilisé détermine l'algorithme de clustering. Certains algorithmes, par exemple, doivent deviner le nombre de clusters dans un ensemble de données donné, tandis que d'autres doivent découvrir la distance la plus courte entre les observations de l'ensemble de données.

Diapositive 32

Cette diapositive répertorie les différents types d'algorithmes de clustering dans l'apprentissage automatique non supervisé. Ceux-ci incluent K-Means, décalage moyen, DBSCAN, clustering de maximisation des attentes à l'aide de GMM, algorithme hiérarchique agglomératif et propagation d'affinité.

Diapositive 33

Cette diapositive donne un aperçu de l'algorithme de clustering K-Means qui est une approche non supervisée dans laquelle les échantillons sont divisés en clusters séparés avec des variances égales pour classer les données.

Diapositive 34

Cette diapositive présente l'algorithme de décalage moyen, qui tente de localiser les zones denses dans une distribution régulière de points de données. Il s'agit d'un exemple de modèle basé sur le centroïde qui met à jour les candidats pour que le centroïde soit le centre des points dans une région spécifiée.

Diapositive 35

Cette diapositive indique que l'algorithme DBSCAN signifie Density-Based Spatial Clustering of Applications with Noise. C'est un modèle basé sur la densité comparable au modèle de décalage moyen mais avec quelques améliorations notables. Les zones à haute densité se distinguent des zones à faible densité selon cette approche.

Diapositive 36

Cette diapositive montre que le clustering Expectation-Maximization utilisant l'algorithme GMM peut être utilisé en remplacement de l'algorithme k-means ou dans des situations où l'algorithme k-means échoue. Les points de données dans GMM sont supposés être distribués gaussiens.

Diapositive 37

Cette diapositive indique que l'algorithme hiérarchique agglomératif effectue le regroupement hiérarchique ascendant. Chaque point de données est initialement considéré comme un cluster unique, puis progressivement fusionné dans cette méthode.

Diapositive 38

Cette diapositive donne un aperçu de la propagation par affinité qui est différente des autres méthodes de clustering car elle ne nécessite pas de spécifier le nombre de clusters. Chaque point de données délivre un message entre la paire de points de données jusqu'à convergence.

Diapositive 39

Cette diapositive répertorie quelques utilisations bien connues de l'approche de clustering dans l'apprentissage automatique, telles que : dans la détection des cellules cancéreuses, les moteurs de recherche, la segmentation des clients, les sciences biologiques et l'utilisation des terres.

Remarques de l'instructeur :

• Dans la détection des cellules cancéreuses : Les techniques de regroupement sont couramment employées pour identifier les cellules malignes. Il sépare les ensembles de données cancérigènes et non cancéreuses en catégories distinctes
• Utilisé dans les moteurs de recherche : les moteurs de recherche utilisent également l'approche de clustering. Le résultat de la recherche est basé sur l'objet le plus proche de la requête de recherche. Il accomplit cela en combinant des objets de données connexes en un seul groupe séparé des autres éléments dissemblables. La qualité de la méthode de regroupement utilisée détermine la précision des résultats d'une requête
• Segmentation des clients : elle est utilisée dans les études de marché et les médias sociaux pour séparer les clients en fonction de leurs intérêts et de leurs choix.
• En sciences biologiques : Il est utilisé en biologie pour classer les espèces végétales et animales en utilisant l'approche de reconnaissance d'image
• Dans l'utilisation des terres : l'approche de regroupement est employée dans la base de données SIG pour découvrir les zones d'utilisation des terres similaires. Cela peut être avantageux pour déterminer à quelle fonction une parcelle de terrain spécifique doit être utilisée.

Diapositive 40

Cette diapositive présente l'apprentissage des règles d'association qui est une forme d'approche d'apprentissage non supervisée qui détecte la dépendance d'un élément de données sur un autre et les mappe de manière appropriée pour des informations supérieures sur les données.

Remarques de l'instructeur :

Les algorithmes d'apprentissage de règles d'association sont classés en trois types :

• A priori
• Éclat
• Algorithme de croissance PF

Diapositive 41

Cette diapositive indique que l'algorithme Apriori est utilisé pour l'analyse du panier de consommation et aide à comprendre les articles qui peuvent être achetés ensemble. Il peut également être utilisé dans la profession médicale pour identifier les réactions aux médicaments chez les patients.

Diapositive 42

Cette diapositive indique qu'Eclat signifie algorithme de transformation de classe d'équivalence. Cette approche utilise une stratégie de recherche en profondeur d'abord pour localiser les ensembles d'éléments communs dans une base de données de transactions, et elle s'exécute plus rapidement que l'algorithme Apriori.

Diapositive 43

Cette diapositive explique l'algorithme FP Growth qui signifie Frequent Pattern. L'algorithme de croissance FP est une version plus avancée de l'algorithme Apriori. Il décrit la base de données sous la forme d'une structure arborescente connue sous le nom de modèle fréquent ou d'arbre. Le but de cet arbre fréquent est de trouver les modèles les plus courants.

Diapositive 44

Cette diapositive indique que l'apprentissage des règles d'association a de nombreuses utilisations dans l'apprentissage automatique. Certaines utilisations courantes de l'apprentissage des règles d'association sont répertoriées ci-dessous.

Remarques de l'instructeur :

• Analyse du panier de consommation : il s'agit d'un exemple et d'une application bien connus de l'apprentissage des règles d'association. Les grands commerçants utilisent souvent cette méthode pour découvrir la relation entre les marchandises
• Diagnostic médical : les patients peuvent être facilement diagnostiqués à l'aide de règles d'association, car cela aide à déterminer la probabilité de maladie pour une maladie spécifique
• Séquence de protéines : les règles d'association aident à la création de protéines synthétiques
• Il est également utilisé dans la conception de catalogues, l'analyse des produits d'appel et diverses autres applications.

Diapositive 45

Cette diapositive donne un aperçu du modèle de Markov caché. C'est un modèle statistique utilisé dans l'apprentissage automatique, et il peut expliquer l'évolution d'événements observables influencés par des variables internes qui ne sont ni apparentes ni visibles.

Diapositive 46

Cette diapositive présente une introduction à l'apprentissage par renforcement qui s'inspire directement de la façon dont les humains apprennent à partir des données dans leur vie quotidienne. Il comprend un algorithme qui utilise des essais et des erreurs pour s'améliorer et apprendre de nouveaux scénarios. Les résultats favorables sont promus ou « renforcés », tandis que les résultats défavorables sont découragés.

Notes de l'instructeur : L'apprentissage par renforcement fonctionne en plaçant l'algorithme dans un environnement de travail avec un interprète et un système de récompense basé sur le concept psychologique de conditionnement. Chaque itération de l'algorithme fournit le résultat de sortie à l'interpréteur, qui évalue si le résultat est favorable ou non

Diapositive 48

Cette diapositive décrit l'importance de l'apprentissage automatique car il fournit aux organisations un aperçu des tendances du comportement des consommateurs et des modèles commerciaux opérationnels et aide au développement de nouveaux produits. De nombreuses grandes organisations, telles que Facebook, Google et Uber, ont fait du machine learning un aspect essentiel de leurs opérations.

Diapositive 49

Cette diapositive répertorie sept étapes clés qui rendent l'objectif d'intégration d'ordinateurs intelligents relativement simple, de la collecte de données à la réalisation de prédictions.

Diapositive 50

Cette diapositive décrit la première étape de Machine Learning : Collecte de données. Les machines commencent par apprendre à partir des données que vous leur fournissez. Il est essentiel d'obtenir des données fiables pour identifier les modèles corrects pour votre modèle d'apprentissage automatique. Assurez-vous d'utiliser des données provenant d'une source fiable, car cela aura un impact direct sur la sortie de votre modèle. Les bonnes données sont significatives, comportent peu de nombres manquants ou en double et représentent avec précision les sous-catégories/classes disponibles.

Diapositive 51

Cette diapositive répertorie les principaux points impliqués dans la préparation des données. Commencez par rassembler toutes vos données et les randomiser, en vous assurant que les données sont dispersées uniformément et que l'ordre n'interfère pas avec le processus d'apprentissage. Séparer les données nettoyées en deux ensembles, un pour la formation et un pour les tests. L'ensemble d'apprentissage est l'ensemble à partir duquel votre modèle apprend, et un ensemble de test est utilisé pour évaluer l'exactitude de votre modèle après qu'il a été formé.

Diapositive 52

Cette diapositive montre qu'un modèle d'apprentissage automatique résulte de l'exécution d'un algorithme d'apprentissage automatique sur les données acquises. Il est essentiel de sélectionner un modèle adapté au travail à accomplir. Les scientifiques et les ingénieurs ont créé des modèles adaptés à des tâches telles que la reconnaissance vocale, la reconnaissance d'images, la prédiction, etc.

Diapositive 53

Cette diapositive indique que la phase la plus critique de l'apprentissage automatique est la formation. Pendant la formation, vous fournissez les données préparées à votre modèle Machine Learning, qui recherche des modèles et fait des prédictions.

Diapositive 54

Cette diapositive donne un aperçu de l'évaluation du modèle. Après avoir formé votre modèle, vous voudrez voir comment il se comporte. Ceci est accompli en évaluant les performances du modèle avec des données inconnues. Si les tests sont effectués sur les mêmes données que celles utilisées pour la formation, vous obtiendrez un niveau de précision disproportionné. Le programme, dans ce cas, est déjà familiarisé avec les données et voit les mêmes schémas qu'auparavant.

Diapositive 55

Cette diapositive répertorie les étapes impliquées dans le réglage des paramètres. Après avoir construit et testé votre modèle, vérifiez si vous pouvez améliorer sa précision. Ceci est accompli en affinant les paramètres de votre modèle. Les paramètres sont les variables du modèle qui sont généralement déterminées par le programmeur. La précision sera la plus élevée à une valeur de paramètre particulière, et la recherche de ces paramètres est appelée ajustement des paramètres.

Diapositive 56

Cette diapositive donne un aperçu de la prédiction. La prédiction fait référence au résultat d'un algorithme après qu'il a été formé sur un ensemble de données précédent et appliqué à de nouvelles données tout en anticipant la probabilité d'un résultat particulier, par exemple si un client se désabonnerait ou non dans 30 jours.

Diapositive 57

Cette diapositive répertorie les avantages de l'apprentissage automatique : les tendances et les modèles sont facilement identifiés ; aucune interaction humaine n'est requise (automatisation); amélioration continue; la gestion de données multidimensionnelles et diverses et de nouvelles applications sont toujours en cours.

Diapositive 58

Cette diapositive indique les inconvénients du machine learning : collecte de données, temps et ressources, interprétation des résultats et forte vulnérabilité aux erreurs.

Remarques de l'instructeur :

• Collecte de données : l'apprentissage automatique exige de vastes ensembles de données sur lesquels s'entraîner, qui doivent être inclusifs/impartiaux et de haute qualité. Ils peuvent également avoir besoin d'attendre que de nouvelles données soient créées à certains moments
• Temps et ressources : le ML nécessite un temps suffisant pour permettre aux algorithmes d'apprendre et d'évoluer suffisamment pour accomplir leur objectif avec une précision et une pertinence élevées. Il nécessite également de nombreuses ressources pour fonctionner, ce qui peut nécessiter des besoins supplémentaires en puissance de calcul
• L'interprétation des résultats : Un autre problème important est la capacité à bien comprendre les résultats des algorithmes. Vous devez être très sélectif dans le choix des algorithmes pour votre application
• Grande vulnérabilité aux erreurs : l'apprentissage automatique est autosuffisant et est donc sujet aux erreurs. Supposons que vous entraîniez un algorithme à l'aide d'ensembles de données trop petits pour être inclusifs. En raison d'un ensemble d'entraînement biaisé, vous avez des prédictions biaisées. En conséquence, les acheteurs sont exposés à des publicités non pertinentes. Dans Machine Learning, de telles erreurs peuvent déclencher une cascade d'erreurs qui peuvent rester non découvertes pendant de longues périodes. Lorsque ceux-ci sont détectés, il faut beaucoup de temps pour identifier la cause première du problème et beaucoup plus de temps pour régler les choses.

Diapositive 59

Cette diapositive répertorie les cinq domaines envisagés pour les futures améliorations de Machine Learning.

Remarques de l'instructeur :

• Des résultats de recherche de moteurs Web exacts : lorsque vous parcourez Google pour rechercher un article, vous ne savez peut-être pas que le classement et l'ordre hiérarchique de ces résultats sont faits exprès. Récemment, les techniques d'apprentissage automatique ont considérablement influencé les résultats des moteurs de recherche. Les futurs moteurs de recherche seront beaucoup plus utiles pour générer des réponses remarquablement pertinentes pour les chercheurs en ligne, car les réseaux de neurones continuent de se développer et d'évoluer avec les nouvelles techniques d'apprentissage en profondeur.
• Précision Personnalisation sur mesure : les entreprises peuvent utiliser l'apprentissage automatique pour affiner leur compréhension de leur public cible afin d'avoir un impact sur l'amélioration des produits existants, la création de nouveaux produits, le marchandisage et l'augmentation des revenus bruts. Avec des développements et des découvertes supplémentaires dans le domaine dynamique de l'apprentissage automatique et de ses algorithmes, nous commencerons à assister à un ciblage précis et à une personnalisation affinée pour les clients à grande échelle
• Augmentation de l'informatique quantique : l'informatique quantique devrait jouer un rôle important dans l'avenir de l'apprentissage automatique. Alors que nous voyons un traitement rapide, un apprentissage rapide, des capacités accrues et des capacités améliorées, l'incorporation de l'informatique quantique dans l'apprentissage automatique transformerait le domaine. Cela signifie que des défis complexes que nous ne pouvons peut-être pas résoudre en utilisant les approches traditionnelles et la technologie actuelle peuvent être résolus en une fraction de seconde.
• Les unités de données augmentent à un rythme rapide : de nouvelles avancées dans l'apprentissage automatique devraient améliorer les opérations quotidiennes des unités de données et les aider à atteindre leurs objectifs plus efficacement. L'apprentissage automatique sera l'un des moyens fondamentaux de générer, de maintenir et de développer des applications numériques dans les décennies à venir. Cela indique que les conservateurs de données et les développeurs de technologies passent moins de temps à programmer et à mettre à jour les approches ML et se concentrent plutôt sur la compréhension et l'amélioration continue de leurs processus.
• Système d'auto-apprentissage entièrement automatisé : l'apprentissage automatique ne sera qu'un autre élément du génie logiciel. En plus de normaliser la façon dont les individus créent des algorithmes d'apprentissage automatique, des frameworks open source tels que Keras, PyTorch et Tensorflow ont supprimé les contraintes fondamentales. Certaines de ces choses peuvent sembler utopiques, mais avec tant de technologies, d'informations et de ressources disponibles en ligne, ces types d'écosystèmes émergent lentement mais sûrement. Cela se traduirait par un environnement avec un codage quasi nul et l'émergence de systèmes entièrement automatisés

Diapositives 74 à 89

Ces diapositives contiennent des activités dynamisantes pour engager le public de la session de formation.

Diapositive 90 à 117

Ces diapositives contiennent une proposition de formation couvrant ce que l'entreprise fournissant la formation en entreprise peut accomplir pour le client.