Se familiariser au Machine Learning et à la Data Science avec Python
Proposé par
GROUPE LEXOM
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 le processus de Machine Learning et les principaux modèles d'apprentissage
- Connaître et savoir utiliser les principales librairies Python pour la data science
- Ecrire un programme simple de ML avec scikit-learn, tensorflow et Q-learning
Programme de la formation
Jour 1 - Matin
1. Définir le ML
- Bref historique
- Caractéristiques et ressources
- Installation et environnements de développement (détaillé pour l'environnement Anacaonda)
- Programmation
2. Identifier les spécificités du Langage Python
- Variables, types et opérateurs
- Conditions et boucles
- Traitement des erreurs
- Fonctions de base et formatage
- Listes et tuples
- Dictionnaires et ensembles
- Itérateurs et générateurs
Jour 1 - Après-midi
3. Gérer les fichiers et les E/S
- Modules systèmes, ligne de commande
- Gestion txt, bin, zip
- Syntaxe, utilisation de with
4. Utiliser les fonctions et les modules
- Syntaxe
- Fonctions spécifiques : lambda... décorateurs (numba) ?
- Portée des variables
- Installation et utilisations des modules
5. Utiliser les classes
- Structure, méthodes, constructeurs,
- Héritage, encapsulation et polymorphisme
Jour 2
6. Mettre en application modules utilitaires
- Modules scientifiques (numpy, scipy, math, random, threading, + matplotlib)
- Traitement du langage (re, nltk)
- Traitement d'images (pillow), du signal (scipy.signal)
- Gestion données web (webbrowsed, requests, html, beautifulsoup, selenium)
- Gestion du temps, des dates (time, datetime, dateutil, calendar)
- Site web avec streamlit
Proposé par
GROUPE LEXOM
"New Skills Model"
Proposé par
GROUPE LEXOM
Se familiariser au Machine Learning et à la Data Science avec Python
87 villes proposant cette formation
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
