Date

16/06/2020
}

Heure

12:00

Lieu

Online

Webinar

Comment détecter des anomalies dans vos datasets grâce au machine learning

Pssst, voici notre prochain webinar.

La détection d’anomalie est un sujet important de la data science. Elle permet de détecter des évènements rares ou des observations différentes de la majorité des données.

Cette application est aujourd’hui étudiée dans des domaines différents comme des transactions financières frauduleuses, des problèmes médicaux ou des intrusions de réseaux.

Cette présentation aborde des approches du machine learning supervisées et non supervisées permettant de détecter des anomalies.

COMMENT DÉTECTER DES ANOMALIES DANS VOS DATASETS GRÂCE AU MACHINE LEARNING

La détection d’anomalie est un sujet important de la data science. Elle permet de détecter des évènements rares ou des observations différentes de la majorité des données.

Cette application est aujourd’hui étudiée dans des domaines différents comme des transactions financières frauduleuses, des problèmes médicaux ou des intrusions de réseaux.

Cette présentation aborde des approches du machine learning supervisées et non supervisées permettant de détecter des anomalies.

PROGRAMME

  1. Détection d’anomalies​
    • Définition
    • Types d’anomalies
  2. Machine Learning et détection d’anomalies​
    • Détection d’anomalie supervisée
    • Détection d’anomalie non-supervisée
  3. Démo​
    • Détection d’anomalie par une méthode ML non-supervisée
  4. Use case :
    • Détection d’anomalies sur des flux Big Data : Une application sur l’intégration des valeurs de risques de marché 
  5. Questions

Que vais-je appendre :

  • Comprendre qu’est ce que c’est la détection d’anomalies et sa importance dans divers domaines
  • Avoir une vue globale de techniques de machine learning supervisées et non supervisées pour la détection d’anomalie
  • Construire une petite application de détection d’anomalie en Python (avec Jupyter Notebook)

ANIMATEUR

Khalil ELLEUCH

Khalil ELLEUCH

Consultant de l'Expertise Machine Learning

Ingénieur diplômé de l’ENSIMAG Grenoble spécialisé en informatique et réseaux, Khalil a développé ses connaissances en Data Science et Machine Learning suite à un échange académique en dernière année à l’EPFL (Ecole Polytechnique Fédérale de Lausanne). Passionné par le monde de la Data, il a effectué son stage de fin d’Etudes à la Société Générale traitant une problématique Data Science / Data Engineering où il a développé des connaissances en tant que Data Engineer. Après avoir obtenu son diplôme d’Ingénieur en Septembre 2019, Khalil a rejoint Invivoo en que Data Scientist / Data Engineer et exerce sa première mission depuis Décembre 2019 dans l’équipe Datalake de AXA-IM, traitant des sujets sur l’Investissement Responsable.

Inscription

COMMENT DÉTECTER DES ANOMALIES DANS VOS DATASETS GRÂCE AU MACHINE LEARNING