{"id":209381,"date":"2023-11-17T06:13:00","date_gmt":"2023-11-17T06:13:00","guid":{"rendered":"https:\/\/datascientest.com\/?p=209381"},"modified":"2023-11-09T16:13:40","modified_gmt":"2023-11-09T16:13:40","slug":"manifold-learning-tout-savoir","status":"publish","type":"post","link":"https:\/\/datascientest.com\/manifold-learning-tout-savoir","title":{"rendered":"Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"209381\" class=\"elementor elementor-209381\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-249d6b4 e-flex e-con-boxed e-con\" data-id=\"249d6b4\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-eaaa669 elementor-widget elementor-widget-heading\" data-id=\"eaaa669\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\">Le Manifold Learning est une technique simplifiant la visualisation et l\u2019analyse des ensembles de donn\u00e9es complexes \u00e0 haute dimensionnalit\u00e9, en y trouvant des structures sous-jacentes de faible dimension. D\u00e9couvrez tout ce qu\u2019il faut savoir sur cette m\u00e9thode incontournable du Machine Learning !<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ad33898 elementor-widget elementor-widget-text-editor\" data-id=\"ad33898\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p><span style=\"font-weight: 400;\">Le volume de donn\u00e9es \u00e0 disposition des entreprises a explos\u00e9 au cours des derni\u00e8res ann\u00e9es, et l\u2019essor du Machine Learning permet de les <strong>convertir en informations exploitables pour la prise de d\u00e9cisions strat\u00e9giques<\/strong>.<\/span><\/p><p><span style=\"font-weight: 400;\">Toutefois, pour v\u00e9ritablement <strong>tirer profit du Big Data<\/strong>, de nombreux d\u00e9fis sont \u00e0 relever. L\u2019une de ces difficult\u00e9s est de parvenir \u00e0 interpr\u00e9ter, visualiser et comprendre les ensembles de donn\u00e9es complexes de haute dimensionnalit\u00e9.<\/span><\/p><p><span style=\"font-weight: 400;\">Ce terme fait r\u00e9f\u00e9rence au <strong>nombre de caract\u00e9ristiques ou d\u2019attributs qui d\u00e9crivent chaque point de donn\u00e9es dans un<\/strong> <a href=\"https:\/\/datascientest.com\/dataset-definition\">dataset<\/a>. Chacun de ces points est souvent repr\u00e9sent\u00e9 par un vecteur contenant diff\u00e9rentes caract\u00e9ristiques ou variables.<\/span><\/p><p><span style=\"font-weight: 400;\">Prenons l\u2019exemple d\u2019un jeu de donn\u00e9es contenant des informations sur des maisons \u00e0 vendre. Chacune peut \u00eatre d\u00e9crite par des caract\u00e9ristiques telles que la superficie, le nombre de chambres et de salles de bains, le prix ou encore l\u2019emplacement.<\/span><\/p><p><span style=\"font-weight: 400;\">Si nous utilisons ces cinq caract\u00e9ristiques pour repr\u00e9senter chaque maison, alors la dimensionnalit\u00e9 des donn\u00e9es est de cinq.<\/span><\/p><p><span style=\"font-weight: 400;\">Or, les choses se compliquent fortement lorsqu\u2019il est question d\u2019analyser ou de visualiser des ensembles de donn\u00e9es avec un nombre de dimensions tr\u00e8s \u00e9lev\u00e9.<\/span><\/p><p><span style=\"font-weight: 400;\">Il devient d\u00e8s lors difficile de repr\u00e9senter et de <strong>comprendre efficacement les relations entre les points de donn\u00e9es<\/strong>. Pour r\u00e9soudre ce probl\u00e8me, il est n\u00e9cessaire de r\u00e9duire les dimensions.<\/span><\/p><p><span style=\"font-weight: 400;\">Traditionnellement, on utilisait des techniques comme l\u2019<strong>Analyse en Composantes Principales (PCA)<\/strong>. Malheureusement, elles ne sont pas adapt\u00e9es aux structures sous-jacentes non lin\u00e9aires souvent pr\u00e9sentes dans les donn\u00e9es du monde r\u00e9el.<\/span><\/p><p><span style=\"font-weight: 400;\">Afin de surmonter cette limite, une nouvelle approche a vu le jour pour <strong>trouver des structures sous-jacentes de faible dimension dans les donn\u00e9es<\/strong> : le Manifold Learning, ou apprentissage des vari\u00e9t\u00e9s.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-ef49719 e-flex e-con-boxed e-con\" data-id=\"ef49719\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-ff71521 elementor-widget elementor-widget-heading\" data-id=\"ff71521\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Qu\u2019est-ce que le Manifold Learning ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bb57819 elementor-widget elementor-widget-text-editor\" data-id=\"bb57819\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Pour bien comprendre ce qu\u2019est le Manifold Learning, il convient de commencer par saisir ce qu\u2019est un manifold et pourquoi <strong>il est pertinent pour la compr\u00e9hension des donn\u00e9es complexes<\/strong>.<\/span><\/p><p><span style=\"font-weight: 400;\">Il s\u2019agit d\u2019une abstraction math\u00e9matique permettant de d\u00e9crire des objets g\u00e9om\u00e9triques complexes, tels que les surfaces courbes ou les structures pli\u00e9es en termes de coordonn\u00e9es locales et de dimensions intrins\u00e8ques.<\/span><\/p><p><span style=\"font-weight: 400;\">Ainsi, dans le contexte du Manifold Learning, les <strong>donn\u00e9es de haute dimensionnalit\u00e9<\/strong> sont consid\u00e9r\u00e9es comme des points dans un espace pouvant \u00eatre approxim\u00e9s par une vari\u00e9t\u00e9 de faible dimension.<\/span><\/p><p><span style=\"font-weight: 400;\">Cette repr\u00e9sentation sous-jacente du manifold capture <strong>les structures et les relations entre les points de donn\u00e9es<\/strong>, permettant une exploration plus intuitive et une analyse plus pr\u00e9cise.<\/span><\/p><p><span style=\"font-weight: 400;\">Un autre concept essentiel \u00e0 conna\u00eetre pour comprendre le Manifold Learning est l\u2019<strong>hypoth\u00e8se de platitude<\/strong>. Elle repose sur l\u2019id\u00e9e que les donn\u00e9es r\u00e9elles sont souvent g\u00e9n\u00e9r\u00e9es par un processus complexe, qui r\u00e9duit leur dimensionnalit\u00e9 intrins\u00e8que.<\/span><\/p><p><span style=\"font-weight: 400;\">En d\u2019autres termes, m\u00eame si les donn\u00e9es peuvent exister dans un espace de grande dimension, elles n\u2019en couvrent en r\u00e9alit\u00e9 qu\u2019une petite partie et sont encastr\u00e9es dans des vari\u00e9t\u00e9s \u00e0 faible dimension.<\/span><\/p><p><span style=\"font-weight: 400;\">C\u2019est en exploitant cette propri\u00e9t\u00e9 que le Manifold Learning permet d\u2019<strong>extraire les vari\u00e9t\u00e9s sous-jacentes pour faciliter la compr\u00e9hension et l\u2019interpr\u00e9tation des donn\u00e9es complexes<\/strong>.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ede1543 elementor-widget elementor-widget-image\" data-id=\"ede1543\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"900\" height=\"500\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest1.jpg\" class=\"attachment-full size-full wp-image-209439\" alt=\"manifold-learning\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest1.jpg 900w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest1-300x167.jpg 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest1-768x427.jpg 768w\" sizes=\"(max-width: 900px) 100vw, 900px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f48854d elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"f48854d\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formation-machine-learning-engineer\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Se former au Machine Learning<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-4a21c35 e-flex e-con-boxed e-con\" data-id=\"4a21c35\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-ffdedce elementor-widget elementor-widget-heading\" data-id=\"ffdedce\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Les techniques de r\u00e9duction de dimensions utilisant les principes du Manifold Learning<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3cee27f elementor-widget elementor-widget-text-editor\" data-id=\"3cee27f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">La <strong>r\u00e9duction de dimensions<\/strong> est le processus cl\u00e9 du Manifold Learning, visant \u00e0 projeter les donn\u00e9es de haute dimensionnalit\u00e9 sur un espace de dimensions r\u00e9duites tout en pr\u00e9servant au mieux leur structure intrins\u00e8que.<\/span><\/p><p><span style=\"font-weight: 400;\">Afin d&rsquo;atteindre cet objectif, plusieurs techniques ont \u00e9t\u00e9 d\u00e9velopp\u00e9es. L\u2019Analyse en Composantes Principales (PCA) est une <strong>approche classique qui demeure efficace pour les donn\u00e9es lin\u00e9aires<\/strong>. Elle pr\u00e9sente toutefois d\u2019importantes limites sur les donn\u00e9es non lin\u00e9aires.<\/span><\/p><p><span style=\"font-weight: 400;\">De son c\u00f4t\u00e9, la <strong>m\u00e9thode Isomap<\/strong> se base sur la g\u00e9om\u00e9trie des voisins pour construire un <strong>graphe de distance<\/strong> et estimer les <strong>distances g\u00e9od\u00e9siques<\/strong> entre les points de donn\u00e9es sur le manifold. Ceci permet de capturer les relations non lin\u00e9aires entre les donn\u00e9es et de pr\u00e9server leur structure globale.<\/span><\/p><p><span style=\"font-weight: 400;\">Autre technique : le <strong>Locally Linear Embedding ou LLE<\/strong>. Elle se concentre sur la reconstruction locale des points de donn\u00e9es \u00e0 partir de leurs voisins les plus proches, en trouvant des combinaisons lin\u00e9aires optimales pour exprimer chaque point comme une combinaison pond\u00e9r\u00e9e de ses voisins.<\/span><\/p><p><span style=\"font-weight: 400;\">Le but est de conserver les relations locales sur le manifold. Cela peut s\u2019av\u00e9rer particuli\u00e8rement utile pour les vari\u00e9t\u00e9s pli\u00e9es et tordues.<\/span><\/p><p><span style=\"font-weight: 400;\">Citons aussi l\u2019approche <strong>Distributed Stochastic Neighbor Embedding ou t-SNE<\/strong>, connue pour ses performances en visualisation de donn\u00e9es. Elle privil\u00e9gie la pr\u00e9servation des distances locales entre les points de donn\u00e9es.<\/span><\/p><p><span style=\"font-weight: 400;\">Cette technique est largement utilis\u00e9e pour <strong>repr\u00e9senter des donn\u00e9es de haute dimensionnalit\u00e9 en seulement deux ou trois dimensions<\/strong>, permettant une visualisation interactive et une compr\u00e9hension visuelle des structures sous-jacentes.<\/span><\/p><p><span style=\"font-weight: 400;\">Enfin, les <strong>autoencodeurs variationnels ou VAE<\/strong> sont des mod\u00e8les g\u00e9n\u00e9ratifs probabilistes. Ils sont capables de r\u00e9duire les dimensions des donn\u00e9es, tout en pr\u00e9servant les informations essentielles gr\u00e2ce \u00e0 leur capacit\u00e9 \u00e0 apprendre des distributions latentes dans l\u2019espace de basse dimension.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-084feaa e-flex e-con-boxed e-con\" data-id=\"084feaa\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-3fddea9 elementor-widget elementor-widget-heading\" data-id=\"3fddea9\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Quelles sont les applications du Manifold Learning ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-af8523b elementor-widget elementor-widget-text-editor\" data-id=\"af8523b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Les applications pratiques du Manifold Learning sont nombreuses et diverses, aussi bien dans le domaine de l\u2019<a href=\"https:\/\/datascientest.com\/apprentissage-automatique\">apprentissage automatique<\/a> qu\u2019au-del\u00e0.<\/span><span style=\"color: var( --e-global-color-text ); font-family: var( --e-global-typography-text-font-family ), Sans-serif; text-align: var(--text-align);\">Tout d\u2019abord, les <\/span><strong style=\"color: var( --e-global-color-text ); font-family: var( --e-global-typography-text-font-family ), Sans-serif; text-align: var(--text-align);\">techniques de r\u00e9duction de dimensions<\/strong><span style=\"color: var( --e-global-color-text ); font-family: var( --e-global-typography-text-font-family ), Sans-serif; text-align: var(--text-align);\"> permettent d\u2019obtenir des avantages significatifs pour les t\u00e2ches de visualisation de donn\u00e9es.<\/span><\/p><p><span style=\"font-weight: 400;\">Elles offrent l\u2019opportunit\u00e9 de visualiser et d\u2019explorer de grands ensembles de donn\u00e9es de mani\u00e8re interactive, permettant aux chercheurs et analystes de <strong>d\u00e9tecter des tendances et des mod\u00e8les<\/strong> qui ne sont pas \u00e9vidents de prime abord.<\/span><\/p><p><span style=\"font-weight: 400;\">En outre, l\u2019une des principales applications est la d\u00e9tection d\u2019anomalies. En exploitant la structure sous-jacente des donn\u00e9es, les <a href=\"https:\/\/datascientest.com\/comprendre-les-algorithmes-des-applis-de-rencontre-pour-la-saint-valentin\">algorithmes<\/a> sont en mesure d\u2019<strong>identifier des points de donn\u00e9es inhabituels<\/strong> pouvant repr\u00e9senter des \u00e9v\u00e9nements rares ou des comportements anormaux.<\/span><\/p><p><span style=\"font-weight: 400;\">C\u2019est \u00e9galement une approche tr\u00e8s utilis\u00e9e pour am\u00e9liorer la classification semi-supervis\u00e9e des donn\u00e9es avec des <strong>ensembles d\u2019apprentissage limit\u00e9s<\/strong>. En<strong> s\u2019appuyant sur la<\/strong> structure g\u00e9om\u00e9trique des donn\u00e9es, il devient possible de tirer parti d\u2019informations non \u00e9tiquet\u00e9es pour <strong>am\u00e9liorer la performance des mod\u00e8les de Machine Learning<\/strong>.<\/span><\/p><p><span style=\"font-weight: 400;\">Une autre application tr\u00e8s int\u00e9ressante du Manifold Learning est l\u2019<strong>estimation de valeurs manquantes dans les donn\u00e9es<\/strong>. Les relations g\u00e9om\u00e9triques entre les points permettent d\u2019inf\u00e9rer ces valeurs de mani\u00e8re pr\u00e9cise, afin de compl\u00e9ter un dataset.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9d68146 elementor-widget elementor-widget-image\" data-id=\"9d68146\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"900\" height=\"500\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest2.jpg\" class=\"attachment-full size-full wp-image-209442\" alt=\"\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-50df203 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"50df203\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formation-machine-learning-engineer\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">D\u00e9couvrir notre formation en Machine Learning<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-3086285 e-flex e-con-boxed e-con\" data-id=\"3086285\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-15477ef elementor-widget elementor-widget-heading\" data-id=\"15477ef\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Les d\u00e9fis et limitations<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-47c0864 elementor-widget elementor-widget-text-editor\" data-id=\"47c0864\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Aucune m\u00e9thode n\u2019est parfaite, et le Manifold Learning pr\u00e9sente bien \u00e9videmment des limites \u00e0 prendre en compte.<\/span><\/p><p><span style=\"font-weight: 400;\">D\u2019abord, un grand nombre de techniques impliquent des param\u00e8tres ajustables, pouvant influencer consid\u00e9rablement les r\u00e9sultats.<\/span><\/p><p><span style=\"font-weight: 400;\">Le choix appropri\u00e9 de ces param\u00e8tres est donc crucial pour obtenir une<strong> repr\u00e9sentation de qualit\u00e9 de la vari\u00e9t\u00e9 sous-jacente<\/strong>. Il est \u00e9galement n\u00e9cessaire d\u2019\u00e9valuer la qualit\u00e9 des projections r\u00e9sultantes.<\/span><\/p><p><span style=\"font-weight: 400;\">En outre, le Manifold Learning ne permet pas de r\u00e9soudre totalement le probl\u00e8me bien connu du \u00ab <strong>Curse of Dimensionality<\/strong> \u00bb. Pour les ensembles de donn\u00e9es tr\u00e8s denses ou trop rares, la r\u00e9duction de dimensions n\u2019est pas toujours suffisamment efficace.<\/span><\/p><p><span style=\"font-weight: 400;\">La<strong> repr\u00e9sentation des vari\u00e9t\u00e9s<\/strong> peut donc s\u2019av\u00e9rer impr\u00e9cise ou peu informative. Ces situations peuvent affecter les performances d\u2019apprentissage de multiples mani\u00e8res.<\/span><\/p><p><span style=\"font-weight: 400;\">Autre pr\u00e9occupation majeure : l&rsquo;<strong>interpr\u00e9tabilit\u00e9 des r\u00e9sultats<\/strong>. Les vari\u00e9t\u00e9s de faible dimension peuvent en effet \u00eatre difficiles \u00e0 interpr\u00e9ter intuitivement, surtout lorsque la repr\u00e9sentation est obtenue sans \u00e9tiquette.<\/span><\/p><p><span style=\"font-weight: 400;\">Pour finir, le Manifold Learning peut se r\u00e9v\u00e9ler tr\u00e8s <strong>gourmand en termes de ressources computationnelles<\/strong>. C\u2019est tout particuli\u00e8rement le cas pour les ensembles de donn\u00e9es massifs.<\/span><\/p><p><span style=\"font-weight: 400;\">Afin d\u2019\u00e9viter ces al\u00e9as et de surmonter ces limites, une expertise technique est requise pour exploiter pleinement le potentiel du Manifold Learning.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-2b7a645 e-flex e-con-boxed e-con\" data-id=\"2b7a645\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-facdb7f elementor-widget elementor-widget-heading\" data-id=\"facdb7f\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Conclusion : Manifold Learning, une approche id\u00e9ale pour explorer les donn\u00e9es complexes<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7ef2db2 elementor-widget elementor-widget-text-editor\" data-id=\"7ef2db2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">En combinant les <strong>techniques de r\u00e9duction de dimensions<\/strong> et les <strong>concepts g\u00e9om\u00e9triques<\/strong>, le Manifold Learning permet de visualiser et de comprendre les ensembles de donn\u00e9es complexes de mani\u00e8re plus significative.<\/span><\/p><p><span style=\"font-weight: 400;\">Afin d\u2019apprendre \u00e0 ma\u00eetriser cette technique et tous les concepts cl\u00e9s du Machine Learning, vous pouvez <strong>choisir DataScientest<\/strong>. Nos formations \u00e0 distance vous permettront d\u2019acqu\u00e9rir toutes les comp\u00e9tences requises pour <strong>devenir un professionnel de science des donn\u00e9es<\/strong>.<\/span><\/p><p><span style=\"font-weight: 400;\">A travers les <strong>modules d\u00e9di\u00e9s au Machine Learning<\/strong>, vous d\u00e9couvrirez les m\u00e9thodes telles que l\u2019<a href=\"https:\/\/datascientest.com\/apprentissage-supervise\">apprentissage supervis\u00e9<\/a> ou <a href=\"https:\/\/datascientest.com\/apprentissage-non-supervise\">non-supervis\u00e9<\/a> et les outils comme <a href=\"https:\/\/datascientest.com\/tout-savoir-sur-scikit-learn\">Scikit-learn<\/a>.<\/span><\/p><p><span style=\"font-weight: 400;\">Vous apprendrez aussi les notions de pr\u00e9vision de s\u00e9ries temporelles, de classification et de r\u00e9gression, de r\u00e9duction de dimension et de Text Mining. En outre, <strong>vous deviendrez<\/strong> <strong>ma\u00eetre dans l\u2019usage d\u2019outils comme<\/strong> <a href=\"https:\/\/datascientest.com\/keras\">Keras<\/a>, <a href=\"https:\/\/datascientest.com\/tensorflow\">TensorFlow<\/a> et <a href=\"https:\/\/datascientest.com\/pytorch-tout-savoir\">PyTorch<\/a>.<\/span><\/p><p><span style=\"font-weight: 400;\">Les autres modules couvrent des th\u00e9matiques comme la <a href=\"https:\/\/datascientest.com\/blog-data-ia-actualites\/programmation-python\">programmation en Python<\/a>, la <a href=\"https:\/\/datascientest.com\/dataviz-best-practice-webinar-n1\">DataViz<\/a>, l\u2019<strong>ing\u00e9nierie de donn\u00e9es<\/strong>, les outils <a href=\"https:\/\/datascientest.com\/le-big-data-pour-les-nuls\">Big Data<\/a> ou encore la <a href=\"https:\/\/datascientest.com\/business-intelligence\">Business Intelligence<\/a>.<\/span><\/p><p><span style=\"font-weight: 400;\">\u00c0 la fin du parcours, vous aurez toutes les cl\u00e9s en main pour <a href=\"https:\/\/datascientest.com\/quels-sont-les-metiers-de-la-data-les-mieux-payes-en-2023\">devenir Data Analyst, Data Scientist, Data Engineer ou encore ML Engineer<\/a>. Vous recevrez aussi un <strong>dipl\u00f4me reconnu par l\u2019\u00c9tat<\/strong>, et une <strong>certification<\/strong> de nos partenaires cloud <a href=\"https:\/\/datascientest.com\/amazon-web-services-tout-savoir\">AWS<\/a> ou <a href=\"https:\/\/datascientest.com\/tout-savoir-sur-microsoft-azure\">Microsoft Azure<\/a>. <strong>D\u00e9couvrez DataScientest !<\/strong><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8c77259 elementor-widget__width-initial elementor-widget elementor-widget-video\" data-id=\"8c77259\" data-element_type=\"widget\" data-settings=\"{&quot;youtube_url&quot;:&quot;https:\\\/\\\/youtu.be\\\/sIbCKaz-oZQ&quot;,&quot;video_type&quot;:&quot;youtube&quot;,&quot;controls&quot;:&quot;yes&quot;}\" data-widget_type=\"video.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-video .elementor-widget-container{overflow:hidden;transform:translateZ(0)}.elementor-widget-video .elementor-wrapper{aspect-ratio:var(--video-aspect-ratio)}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{height:100%;width:100%;display:flex;border:none;background-color:#000}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-wrapper{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .elementor-open-inline .elementor-custom-embed-image-overlay{position:absolute;top:0;right:0;bottom:0;left:0;background-size:cover;background-position:50%}.elementor-widget-video .elementor-custom-embed-image-overlay{cursor:pointer;text-align:center}.elementor-widget-video .elementor-custom-embed-image-overlay:hover .elementor-custom-embed-play i{opacity:1}.elementor-widget-video .elementor-custom-embed-image-overlay img{display:block;width:100%;aspect-ratio:var(--video-aspect-ratio);-o-object-fit:cover;object-fit:cover;-o-object-position:center center;object-position:center center}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-custom-embed-image-overlay{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-custom-embed-image-overlay img{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .e-hosted-video .elementor-video{-o-object-fit:cover;object-fit:cover}.e-con-inner>.elementor-widget-video,.e-con>.elementor-widget-video{width:var(--container-widget-width);--flex-grow:var(--container-widget-flex-grow)}<\/style>\t\t<div class=\"elementor-wrapper elementor-open-inline\">\n\t\t\t<div class=\"elementor-video\"><\/div>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6b87524 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"6b87524\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formation-machine-learning-engineer\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">En savoir plus sur la formation Machine Learning Engineer<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-70375a6 elementor-widget elementor-widget-text-editor\" data-id=\"70375a6\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Vous savez tout sur le Manifold Learning. Pour plus d\u2019informations sur le m\u00eame sujet, d\u00e9couvrez <a href=\"https:\/\/datascientest.com\/machine-learning-tout-savoir\">notre dossier complet sur le Machine Learning<\/a> et <a href=\"https:\/\/datascientest.com\/text-mining-definition\">notre dossier sur le Text Mining<\/a> !<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-0e1bab2 e-flex e-con-boxed e-con\" data-id=\"0e1bab2\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-23f2ba9 elementor-widget elementor-widget-html\" data-id=\"23f2ba9\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">\r\n{\r\n  \"@context\": \"https:\/\/schema.org\",\r\n  \"@type\": \"FAQPage\",\r\n  \"mainEntity\": [{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Qu\u2019est-ce que le Manifold Learning ?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Pour bien comprendre ce qu\u2019est le Manifold Learning, il convient de commencer par saisir ce qu\u2019est un manifold et pourquoi il est pertinent pour la compr\u00e9hension des donn\u00e9es complexes. Il s\u2019agit d\u2019une abstraction math\u00e9matique permettant de d\u00e9crire des objets g\u00e9om\u00e9triques complexes, tels que les surfaces courbes ou les structures pli\u00e9es en termes de coordonn\u00e9es locales et de dimensions intrins\u00e8ques.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Les techniques de r\u00e9duction de dimensions utilisant les principes du Manifold Learning\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"La r\u00e9duction de dimensions est le processus cl\u00e9 du Manifold Learning, visant \u00e0 projeter les donn\u00e9es de haute dimensionnalit\u00e9 sur un espace de dimensions r\u00e9duites tout en pr\u00e9servant au mieux leur structure intrins\u00e8que.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Quelles sont les applications du Manifold Learning ?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Les applications pratiques du Manifold Learning sont nombreuses et diverses, aussi bien dans le domaine de l\u2019apprentissage automatique qu\u2019au-del\u00e0.Tout d\u2019abord, les techniques de r\u00e9duction de dimensions permettent d\u2019obtenir des avantages significatifs pour les t\u00e2ches de visualisation de donn\u00e9es.\"\r\n    }\r\n  }]\r\n}\r\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Le Manifold Learning est une technique simplifiant la visualisation et l\u2019analyse des ensembles de donn\u00e9es complexes \u00e0 haute dimensionnalit\u00e9, en y trouvant des structures sous-jacentes de faible dimension. D\u00e9couvrez tout ce qu\u2019il faut savoir sur cette m\u00e9thode incontournable du Machine Learning ! Le volume de donn\u00e9es \u00e0 disposition des entreprises a explos\u00e9 au cours des [&hellip;]<\/p>\n","protected":false},"author":78,"featured_media":209439,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2497],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez tout ce qu\u2019il faut savoir sur le Manifold Learning, cette m\u00e9thode incontournable du Machine Learning !\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/manifold-learning-tout-savoir\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/manifold-learning-tout-savoir\" \/>\n<meta property=\"og:site_name\" content=\"Formation Data Science | DataScientest.com\" \/>\n<meta property=\"article:published_time\" content=\"2023-11-17T06:13:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-09T16:13:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest1.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"900\" \/>\n\t<meta property=\"og:image:height\" content=\"500\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"J\u00e9r\u00e9my Robert\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"J\u00e9r\u00e9my Robert\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/manifold-learning-tout-savoir\",\"url\":\"https:\/\/datascientest.com\/manifold-learning-tout-savoir\",\"name\":\"Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/#website\"},\"datePublished\":\"2023-11-17T06:13:00+00:00\",\"dateModified\":\"2023-11-09T16:13:40+00:00\",\"author\":{\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\"},\"description\":\"D\u00e9couvrez tout ce qu\u2019il faut savoir sur le Manifold Learning, cette m\u00e9thode incontournable du Machine Learning !\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/manifold-learning-tout-savoir\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/#website\",\"url\":\"https:\/\/datascientest.com\/\",\"name\":\"Formation Data Science | DataScientest.com\",\"description\":\"Leader de la formation en Data Science\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\",\"name\":\"J\u00e9r\u00e9my Robert\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"contentUrl\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"caption\":\"J\u00e9r\u00e9my Robert\"},\"description\":\"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/jeremyrobert1\/\",\"Data Science\"],\"url\":\"https:\/\/datascientest.com\/author\/jeremyrobert\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?","description":"D\u00e9couvrez tout ce qu\u2019il faut savoir sur le Manifold Learning, cette m\u00e9thode incontournable du Machine Learning !","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/manifold-learning-tout-savoir","og_locale":"fr_FR","og_type":"article","og_title":"Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?","og_url":"https:\/\/datascientest.com\/manifold-learning-tout-savoir","og_site_name":"Formation Data Science | DataScientest.com","article_published_time":"2023-11-17T06:13:00+00:00","article_modified_time":"2023-11-09T16:13:40+00:00","og_image":[{"width":900,"height":500,"url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/07\/manifold-learning-datascientest1.jpg","type":"image\/jpeg"}],"author":"J\u00e9r\u00e9my Robert","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"J\u00e9r\u00e9my Robert","Dur\u00e9e de lecture estim\u00e9e":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/datascientest.com\/manifold-learning-tout-savoir","url":"https:\/\/datascientest.com\/manifold-learning-tout-savoir","name":"Manifold Learning : Quelle est cette m\u00e9thode de machine learning ?","isPartOf":{"@id":"https:\/\/datascientest.com\/#website"},"datePublished":"2023-11-17T06:13:00+00:00","dateModified":"2023-11-09T16:13:40+00:00","author":{"@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925"},"description":"D\u00e9couvrez tout ce qu\u2019il faut savoir sur le Manifold Learning, cette m\u00e9thode incontournable du Machine Learning !","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/manifold-learning-tout-savoir"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/#website","url":"https:\/\/datascientest.com\/","name":"Formation Data Science | DataScientest.com","description":"Leader de la formation en Data Science","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925","name":"J\u00e9r\u00e9my Robert","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datascientest.com\/#\/schema\/person\/image\/","url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","contentUrl":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","caption":"J\u00e9r\u00e9my Robert"},"description":"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.","sameAs":["https:\/\/www.linkedin.com\/in\/jeremyrobert1\/","Data Science"],"url":"https:\/\/datascientest.com\/author\/jeremyrobert"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/209381"}],"collection":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/users\/78"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/comments?post=209381"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/209381\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media\/209439"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media?parent=209381"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/categories?post=209381"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/tags?post=209381"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}