Formation Machine Learning
Notre formation Machine Learning vous permettra d’acquérir les connaissances et compétences de base en matière d’apprentissage automatique. Quel que soit votre domaine de prédilection, la maîtrise des concepts et outils issus du machine learning offre de nouvelles perspectives professionnelles exaltantes. Grâce à notre formation intensive, vous apprendrez à préparer vos données et à les exploiter via la mise en œuvre des principaux algorithmes de machine learning. Vous créerez des modèles prédictifs et de prise de décision lors d’ateliers pratiques basés sur le langage Python, et apprendrez à utiliser les bibliothèques dédiées à l’apprentissage automatique. Une introduction au Deep Learning et réseaux neuronaux sera présentée en fin de formation, pour vous permettre d’appréhender cette technologie d’apprentissage en pleine ébullition.
Proposé par
Sparks
Prérequis
Public admis
- Salarié en Poste
- Entreprise
Demandeur d'emploi et Etudiant non admis
Financement
- Votre OPCO
- Financement personnel
Financement CPF non pris en charge
Modalités
- En centre
- En entreprise
- À distance
Objectifs pédagogiques
- Comprendre les méthodes de Machine Learning
- Assimiler les notions mathématiques relatives au Machine Learning
- Comprendre les algorithmes d'apprentissage
- Obtenir et préparer les données et évaluer les modèles d'apprentissage
- Maîtriser la régression, la classification, le clustering
- Avoir des notions en deep learning
Programme de la formation
Introduction à la formation Machine Learning
Intelligence Artificielle, Big Data, Data Science et Machine Learning : définitions et principes fondamentaux
Retour historique sur l’apprentissage automatique
Champs d’application du machine learning
Terminologie (étiquette, caractéristique, modèle, inférence…)
Exemples de mise en œuvre du machine learning
Principaux outils : Jupyter notebooks, scikit-learn, Pandas, BigML, Dataiku
Rappels mathématiques (vecteurs, loi normale, probabilité conditionnelle…) lors de la formation Machine Learning
Rappels sur la programmation en Python et notebooks Jupyter
Catégorisation des techniques et algorithmes d’apprentissage
Apprentissage supervisé
Classification et régression
Apprentissage non-supervisé
Clustering
Principaux algorithmes : Support Vector Machines, modèles de probabilité, arbres de décision, etc
Modéliser les problématiques d’entreprise en problèmes de machine learning
Workflow pour la construction d’un modèle
Choisir un type d’apprentissage et un algorithme pertinents
Obtention et préparation des données
Rappels sur les données (format, structuration, collecte, visualisation, interprétation)
Obtenir les données
La librairie open source scikit-learn
Techniques d’exploration des données
Feature Engineering (ingénierie des caractéristiques)
Extraction et sélection des features
Réduction de la dimension des données
L’analyse en composantes principales (PCA)
Evaluation des modèles d’apprentissage
Partitionner les données en ensembles d’apprentissage, de test et de validation
Exemples pour l’entraînement d’un modèle
Exemples pour le test d’un modèle
Mesures de performance : précision et rappel, matrices de confusion, cross-validation
Généralisation et risque de surapprentissage
L’intuition derrière les techniques d’apprentissage
Régression
Principaux cas d’utilisation
Régression linéaire simple
Méthode des moindres carrés ordinaire
Fonction de coût et algorithme du gradient
Régularisation : régression ridge et lasso
Les différents types de régression : multiple, polynomiale, SVR, arbre de décision, random forest, etc
Les métriques de la régression
Classification
Principaux cas d’utilisation
Régression logistique
Méthode des k plus proches voisins (k-NN)
Machine à vecteurs de support (SVM)
Kernel SVM
Classification naïve bayésienne (Naive Bayes)
Classification avec un arbre de décision et random forest
Les métriques de la classification
Clustering (segmentation)
Principes et principaux algorithmes
Méthode des k-moyennes (k-means)
Clustering hiérarchique
Clustering par densité
Introduction au Deep Learning (apprentissage profond)
Présentation générale et principes du Deep Learning afin de pousser plus loin la formation Machine Learning
Les réseaux neuronaux artificiels
La bibliothèque TensorFlow
Cas d’utilisation, défis et perspectives
Proposé par
Sparks
"Tout l'IT, vraiment tout"
Proposé par
Sparks
