Formation Machine Learning avec Python
Public admis
- Salarié en Poste
- Demandeur d'emploi
- Entreprise
- Etudiant
Financements
Eligible CPF Votre OPCO Financement personnel
Objectifs de la formation
À l'issue de cette formation Machine Learning avec Python, vous aurez acquis les connaissances et compétences nécessaires pour :
- Décrire les concepts du machine learning
- Connaître les principaux algorithmes utilisés en machine learning
- Utiliser la bibliothèque Scikit-Learn
- Mettre en œuvre le regroupement de données automatique (clustering)
- Utiliser Azure Machine Learning
| Tarif |
A partir de 2 490,00 € |
| Durée | 4 jours (28h) |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
| Tarif |
A partir de 2 490,00 € |
| Durée | 4 jours (28h) |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
Description
Grâce à sa syntaxe lisible et directe, Python est un langage priviligié dans le domaine de l'analyse de données et du machine learning. S'il est plebiscité pour le scripting et l'automatisation, ce langage jouit également d'une très grande popularité en tant qu'interface de commande de haut niveau pour les bibliothèques de Machine Learning (SciPy, NumPy, Scikit-Learn...). Enfin, Python possède des pré-dispositions pour l'IA grâce à sa mécanique pour la programmation orientée objet (héritage, surcharge, méthodes virtuelles...) et pour son paradigme fonctionnel.
Cette formation Machine Learning avec Python vous propose de découvrir les concepts et les technologies du Machine Learning à travers le langage Python et sa bibliothèque Scikit-Learn qui propose tous les algorithmes standards. Vous apprendrez à développer de puissants modèles prédictifs dont les résultats vous surprendront par leur puissance et leur facilité de mise en œuvre.
Le dernier module est consacré au standard Azure Machine Learning afin de vous donner également une vision « Cloud sans code » du machine learning pour ainsi disposer d’une vue technique complète sur le sujet.
Programme
Fondamentaux du Machine Learning
Les promesses du machine learning
Les technologies sous-jacentes
Liens entre Cloud, Big Data et Machine Learning
Présentation du Deep Learning
Travaux pratiques
Parcours de différents résultats de programmes de machine learning afin de valider le vocabulaire et les concepts présentés dans ce chapitre (prévisions de tarifs, classification d’images, reconnaissance de textes, etc.)
Les algorithmes standards
Différences entre apprentissage supervisé et non supervisé
La régression linéaire
La régression logistique
L’arbre de décision
Les machines à vecteur de support (SVM)
La classification selon Naive Bayes
Les plus proches voisins
Pourquoi faut-il parfois réduire les dimensions ?
Les réseaux de neurones
La bibliothèque Python (Scikit-Learn)
Comment utiliser la documentation ?
Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.)
Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator)
Comment choisir le bon algorithme d’apprentissage automatique ?
Travaux pratiques
Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)
Apprentissage non supervisé (clustering) en Python
Explorer les données et les regrouper (clustering)
Visualisation avec clustering hiérarchique et t-SNE
Décorrélation des données et réduction des dimensions
Découvrir des fonctionnalités interprétables
Extraire des connaissances des textes (Text Mining)
Travaux pratiques
Extraction de sujets et de tendances à partir de gros volume de flux de données (exemple Twitter)
Analyse de sentiments et démotions
Classification automatique de textes dans une ou plusieurs catégories (Word2Vec, Doc2Vec, TF-DF)
Retour sur l’atelier de la reconnaissance supervisée des fleurs pour le passer en mode non supervisé : réduction des dimensions, regroupement des données selon différents algorithmes (clustering) jusqu’à la mise en évidence de l’identification des groupes de familles de fleurs
Azure Machine Learning
Construire des modèles sans coder avec les outils du Cloud
Les services proposés par Visual Studio, Azure et GitHub
Valider les performances des modèles
Déployer son modèle
La préparation des données
Travaux pratiques
Construction d’un modèle de prédiction sous Visual Studio
Prérequis
Public
Ces formations pourraient vous intéresser
Objectifs de la formation
- Identifier les opérations basiques réalisées par la machine ;
- Ecrire des algorithmes en pseudo-code ;
- Identifier les cas d'usage des instructions conditionnelles et les utiliser ;
- Identifier les cas d'usage des structures itératives et les utiliser ;
- Identifier les cas d'usage des tableaux à une ou plusieurs dimensions, et les manipuler ;
- Écrire des procédures et des fonctions, et les invoquer.
| Tarif |
A partir de 990,00 € |
| Durée |
37 heures |
| Modes |
|
Objectifs de la formation
- Connaître les usages courants du langage
- Maîtriser le scripting en Python
- Utiliser des modules existants
- Ecrire rapidement des scripts
- Créer des interfaces en ligne de commande
| Tarif |
A partir de 1 950,00 € |
| Durée |
3 jours |
| Modes |
|
Formation Virtualisation de serveurs avec Hyper-V et System Center 2012 R2
Proposé par PLB CONSULTANTObjectifs de la formation
Plus concrètement, à l'issue de cette formation Virtualisation de serveurs avec Hyper-V et System Center 2012 R2, vous aurez acquis les compétences et connaissances nécessaires pour :
- Savoir comment installer et gérer une plate-forme de virtualisation Microsoft avec Hyper-V
- Être en mesure d'utiliser System Center Virtual Machine Manager pour gérer des machines virtuelles
- Comprendre comment superviser un réseau de machines virtuelles avec System Center Operation Manager
- Acquérir les compétences nécessaires pour gérer l'infrastructure de stockage et le réseau avec System Center 2012 R2 VMM
| Tarif |
Contacter l'organisme |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
À l’issue de cette formation Elastic Certified Analyst, les participants seront en mesure de :
- Savoir créer des visualisations Kibana
- Maîtriser les dashboards dynamiques
- Connaître les intégrations Machine Learning
- Être préparé pour passer la certification Elastic Certified Analyst
| Tarif |
A partir de 1 890,00 € |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
- Décrire les mécanismes d’accès aux bases de données avec Python ;
- Développer un module de connexion utilisation la DB-API pour utiliser une base de données ;
- Implémenter des fonctions permettant de manipuler les données en base ;
- Gérer les transactions et les exceptions dans les applications utilisant la DB-API ;
- Mettre en place l’ORM SQLAlchemy dans un projet Python ;
- Réaliser le mapping entre des tables de base de données et des classes Python ;
| Tarif |
Contacter l'organisme |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
À l'issue de cette formation Configurer Cisco Unified Computing System, vous aurez acquis les connaissances et compétences nécessaires pour :
- Décrire et mettre en œuvre les fonctionnalités Fibre Channel, de zonage et de NPV sur Cisco UCS
- Décrire et mettre en œuvre le FCoE sur Cisco UCS
- Décrire les politiques de Cisco UCS pour les profils de service
- Décrire l'adaptateur Cisco FEX et la virtualisation des E/S à racine unique
- Décrire et mettre en œuvre le RBAC sur Cisco UCS
- Décrire et mettre en œuvre des fournisseurs d'authentification externes sur Cisco UCS Manager
- Décrire et mettre en œuvre la gestion des clés sur Cisco UCS Manager
- Décrire et mettre en œuvre le directeur de l'UCS Cisco
- Décrire et mettre en œuvre Cisco Intersight
- Décrire les options de script pour Cisco UCS Manager
- Décrire et mettre en œuvre la surveillance sur Cisco UCS Manager
| Tarif |
A partir de 2 940,00 € |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
À l'issue de cette formation Nginx, vous aurez acquis les connaissances et compétences nécessaires pour :
- Exploiter Nginx au quotidien, de l'installation à l'administration
- Exploiter au mieux la pile de services Nginx pour concevoir ou revaloriser des solutions serveurs
- Augmenter les performances et la disponibilité de Nginx
- Connaître les neuf clés secrères de NGINX dans une optique de configuration avancée
| Tarif |
A partir de 1 840,00 € |
| 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
Plus précisément à l’issue de cette formation Elasticsearch, Logstash et Kibana vous aurez acquis les connaissances et les compétences pour :
- Comprendre les différents cas d’usages de la pile et les différentes facettes de l’offre proposée par la société Elastic
- Savoir installer et configurer les différents produits de la suite
- Savoir mettre au point des pipelines Logstash
- Savoir mettre en place des index Elastic Search ou data streams. (settings, mappings, cycle de vie)
- Comprendre toutes les possibilités de recherche offertes par le moteur ElasticSearch
- Savoir mettre en place les tableaux de bords prédéfinis de la suite
- Savoir mettre en place ces propres tableaux de bord dans Kibana
- Sécuriser l’architecture et personnaliser l’interface utilisateur Kibana en fonction des rôles
- Avoir une introduction au Machine Learning
| Tarif |
A partir de 1 890,00 € |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
- Comprendre la problématique de la complexité des développements logiciels.
- Comprendre le bénéfice de l'intégration continue.
- Adopter les bonnes pratiques de rédaction des tests logiciels.
- Mettre en place une stratégie de campagne de tests automatisés avec les outils de tests unitaires et d'intégration (PHPUnit, JUnit, PyUnit) et Selenium.
- Travailler avec un gestionnaire de code source tel que Git, et adopter les réflexes du travail collaboratif.
- Comprendre le rôle des différents outils d'une chaine d'intégration continue.
- Utiliser un outil de construction logiciel pour automatiser les étapes de construction et les tests.
- Mettre en place une plateforme d'intégration continue.
- Travailler en mode projet collaboratif en adoptant une démarche DevOps.
- Déployer des applications dans des conteneurs logiciels.
| Tarif |
Contacter l'organisme |
| Durée |
5j / 35h |
| Modes |
|
