Formation - L'apprentissage Machine en Python (SciKit-Learn)
Public admis
- Salarié en Poste
- Demandeur d'emploi
- Entreprise
- Etudiant
Financements
Eligible CPF Votre OPCO Financement personnel
Objectifs de la formation
- Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.
| Tarif |
Contacter l'organisme |
| Durée | 2 jours (14 heures) |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
| Tarif |
Contacter l'organisme |
| Durée | 2 jours (14 heures) |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
Programme
1 - L'écosystème SciKit Learn
- Origine
- Missions et évolutions
- Architecture
- Modules
- Atelier pratique : Installation de l'écosystème (PC, MAC, LINUX)
2 - Bonnes pratiques SciKit Learn : la récupération de données
- L'API dédiée aux jeux de données
- Problématique des grands jeux de données
- Les jeux de données internes au framework
- La génération de données artificielles
- L'accès aux données ouvertes
- Méthodologies de chargement de données externes
- Atelier pratique : Collecte de données sur un cas concret
3 - Bonnes pratiques SciKit Learn : le prétraitement
- Cadre et rôle du prétraitement
- Méthodes de mise à l'échelle des données
- Normalisation des données
- Traitement des données catégorielles
- Traitement des données manquantes
- Atelier pratique : Prétraitement des données dans un cas concret
4 - Bonnes pratiques SciKit Learn : l'ingénierie des variables prédictives
- Cadre et rôle de l'ingénierie des variables prédictives
- Transformations non linéaires
- Algorithmes de réduction dimensionnelle de données
- L'extraction automatique de traits (textes, images)
- Combinaison et transformations ad-hoc des données
- Atelier pratique : Ingénierie des variables prédictives sur un cas concret
5 - Bonnes pratiques SciKit Learn : la modélisation
- Cartographie des algorithmes de l'écosystème
- Tour de l'apprentissage supervisé avec SciKit Learn
- Tour de l'apprentissage non supervisé avec SciKit Learn
- En pratique, mode de sélection d'algorithmes pertinents
- Atelier pratique : L'apprentissage supervisé et non supervisé sur cas concrets
6 - Bonnes pratiques SciKit Learn : sélection et optimisation des modèles
- Présentation et usage des outils de combinaison et de chaînage de processus
- L'évaluation de performance par validation-croisée
- Le réglage des hyper-paramètres d'un modèle
- Les APIs d'évaluation des modèles de prédiction
- Les différentes courbes d'évaluations de modèles de prédictions
- Atelier pratique : Sélection de modèle, et optimisation des réglages
7 - Bonnes pratiques SciKit Learn : industrialisation et déploiement
- Persistance des modèles
- Scaling des applications de prédictions avec SciKit Learn
- Problématiques de latence et de débit à l'exécution
- La parallélisation
- La gestion de l'environnement Python associé
- Atelier pratique : Industrialisation d'une application de prédiction
Prérequis
- Connaissance de Python et d'une bibliothèque de calcul telle que Numpy ou Pandas
- Disposez-vous des connaissances nécessaires pour suivre cette formation ? Testez-vous !
Public
- Chefs de projet et data-scientists souhaitant comprendre le fonctionnement de SciKit-learn
Ces formations pourraient vous intéresser
Objectifs de la formation
- Identifier les opportunités de l’intelligence artificielle et du machine learning pour votre entreprise ou service
- Définir les facteurs clés de succès d’un projet d’intelligence artificielle et tenir compte des enjeux légaux et éthiques qui s’y rattachent
- Explorer une méthodologie reconnue de conduite de projet IA basée sur le machine learning Canvas afin d’optimiser vos chances de succès
- Expérimenter le workflow complet d’un projet de type proof of concept à l’aide d’une plateforme automatisée simplement paramétrable
| Tarif |
A partir de 1 590,00 € |
| Durée |
2j / 14h |
| Modes |
|
MACHINE LEARNING & STATISTIQUES Erreur des modèles - Sous et sur ajustement
Proposé par GROUPE ARKESYSObjectifs de la formation
- Quantifier l'erreur d'un modèle prédictif qualitatif
- Quantifier l'erreur d'un modèle prédictif quantitatif
- Comprendre la notion de biais d'un modèle
- Comprendre la notion de variance d'un modèle
- Comprendre les conséquences du sous ajustement
- Comprendre les conséquences du sur ajustement
- Quantifier l'erreur d'un modèle (Quantitatif ou qualitatif)
- Mettre en œuvre des processus de validation croisée type Leave One Out et K Fold
| Tarif |
A partir de 1 550,00 € |
| Durée |
147j / 1030h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Décrire les concepts de Machine Learning et l'évolution vers le Deep Learning (réseaux de neurones profonds)
- Identifier les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Définir les modèles plus avancés : auto-encodeurs, GAN (Generative Adversarial Network), apprentissage par renforcement
- Utiliser les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Appliquer les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils.
| Tarif |
A partir de 2 280,00 € |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
- Analyser le rôle de Django et son lien avec Python pour le développement d’applications Web
- Mettre en place un environnement de développement pour Django
- Créer et configurer des applications Django ainsi que leur architecture
- Créer le routage des URLs pour les faire correspondre à des traitements
- Générer un rendu dans différents formats de sortie a destination des applications clientes et navigateurs
- Créer des modèles et les lier à une base de données relationnelle
- Implémenter des formulaires ainsi que les actions permettant de les traiter et insérer les données en base
- Tester une application Django
| Tarif |
A partir de 990,00 € |
| Durée |
37 heures |
| Modes |
|
Objectifs de la formation
- Mettre en place l'environnement de développement ;
- Utiliser des composants d'IHM ;
- Gérer le positionnement des composants d'IHM ;
- Gérer les événements des composants d'IHM ;
- Gérer les styles et les thèmes graphiques ;
- Mettre en œuvre l'architecture MVC avec PyQt ;
| Tarif |
Contacter l'organisme |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
- Cette formation fait l'objet d'une évaluation formative.
| Tarif |
Contacter l'organisme |
| Durée |
3 jours (21 heures) |
| Modes |
|
PYTHON Perfectionnement : Programmation orientée objet, interface graphique
Proposé par GROUPE ARKESYSObjectifs de la formation
- Utiliser les différents composants de l'interface Python
- Comprendre et maîtriser la syntaxe de programmation du langage Python
- Comprendre et maîtriser les concepts de la programmation objet
- Être capable de créer un programme
- Gérer les erreurs d'un programme et tester un programme
- Mettre en œuvre différents modules Python
- Concevoir des interfaces graphiques
- Mettre en œuvre les outils de tests de programmes Python
| Tarif |
A partir de 4 650,00 € |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
Comprendre et choisir une méthode d'apprentissage automatique - Acquérir les bases du Machine Learning avec Python| Tarif |
A partir de 3 475,00 € |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
Construire une API en Python avec FastAPI et implémenter une couche d'accès aux données avec un ORM| Tarif |
A partir de 3 475,00 € |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
Réaliser une application Java étape par étape.Maitriser les fondements de la programmation orientée objet à partir de Java-
Installer et utiliser la machine virtuelle Java
Exploiter les fondamentaux du langage tels que les opérateurs, les variables ou les structures de contrôle
Mettre en oeuvre les concepts propres à l'objet tels que l'héritage, l'interfaçage ou le polymorphisme
Utiliser des concepts des versions les plus récentes comme les structures itératives
Constituer des ensembles sous forme de tableaux ou de collections de différentes natures
Gérer les cas alternatifs de traitement ainsi que les erreurs d'exécution
Travailler avec un environnement de développement
| Tarif |
A partir de 610,00 € |
| Durée |
2j / 17h |
| Modes |
|
