Pour offrir les meilleures expériences possibles, nous utilisons des technologies telles que les cookies pour stocker et/ou accéder aux informations des appareils.
Le fait de ne pas consentir ou de retirer son consentement peut avoir un effet négatif sur certaines caractéristiques et fonctions.
Voir notre Politique de protection des données pour plus d'informations.
À l'issue de cette formation Machine Learning avec Python, vous aurez acquis les connaissances et compétences nécessaires pour :
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 |
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.
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.)
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
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)
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
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
Tarif |
A partir de 990,00 € |
Durée |
37 heures |
Modes |
|
Tarif |
A partir de 1 950,00 € |
Durée |
3 jours |
Modes |
|
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 :
Tarif |
Contacter l'organisme |
Durée |
5j / 35h |
Modes |
|
À l’issue de cette formation Elastic Certified Analyst, les participants seront en mesure de :
Tarif |
A partir de 1 890,00 € |
Durée |
2j / 14h |
Modes |
|
Tarif |
Contacter l'organisme |
Durée |
2j / 14h |
Modes |
|
À l'issue de cette formation Configurer Cisco Unified Computing System, vous aurez acquis les connaissances et compétences nécessaires pour :
Tarif |
A partir de 2 940,00 € |
Durée |
3j / 21h |
Modes |
|
À l'issue de cette formation Nginx, vous aurez acquis les connaissances et compétences nécessaires pour :
Tarif |
A partir de 1 840,00 € |
Durée |
3j / 21h |
Modes |
|
Tarif |
A partir de 990,00 € |
Durée |
37 heures |
Modes |
|
Plus précisément à l’issue de cette formation Elasticsearch, Logstash et Kibana vous aurez acquis les connaissances et les compétences pour :
Tarif |
A partir de 1 890,00 € |
Durée |
3j / 21h |
Modes |
|
Tarif |
Contacter l'organisme |
Durée |
5j / 35h |
Modes |
|