Accueil › Formations › Machine Learning › FORMATION MACHINE LEARNING

FORMATION MACHINE LEARNING

Aucun avis Voir les avis Masquer

Note issue des sessions de cette formation, y compris les programmes adaptés aux besoins des entreprises.

Aucun avis pour cette formation.

Formation proposée par ALAA EL YASSIR

◉ Qualiopi · Validé TraininBlue ▣ Présentiel / Distanciel ◈ Programme personnalisable Accepte sous-traitance OF

Le cours vous enseigne l'utilisation de Python pour la Data Science : la préparation des données, l'entraînement et la mise à disposition du modèle et des résultats. Les participants apprennent à utiliser divers outils et bibliothèques Python pour effectuer des tâches courantes de data science et de machine learning.

◷Durée 5 Jour(s)

▣Modalités Présentiel / Distanciel

♙Participants Jusqu'à 10 participants

★Langue Français

⌖Lieu France entière

♙Certification Attestation de formation

▦Mise à jour October 2023

▦Prochaines sessions Inter 0 Voir Masquer

Aucune session inter-entreprise programmée pour le moment.

◎Objectifs pédagogiques

• Comprendre les concepts de l’apprentissage automatique

• Posséder une bonne vision de ses domaines d’applications industrielles et professionnelles

• Comprendre le fonctionnement des diffétents algorithmes et leurs limites

• Savoir utiliser scikit-learn pour les algorithmes standards

• Comprendre comment fonctionne un réseau de neurones

• Avoir une vision globale des principaux réseaux de neurones

• Savoir mettre en oeuvre un réseau de neurones avec PyTorch

• Utiliser le machine learning pour différents besoins: images, textes, séries temporelles…

⌘Compétences visées

python Calcul Scientifique Numpy Matplotlib Scipy Pandas Machine Learning

♙Public cible et prérequis

Public cible

Développeurs Python, ingénieurs et data scientists en quête de solutions à leurs problèmes complexes.

Prérequis

Pratique régulière du langage Python et si possible des librairies numpy, pandas et matplotlib.

▥Programme détaillé

1 Les concepts de l’apprentissage automatique - 1 jour
• Historique de l’intelligence artificielle et de ses différents algorithmes
– Algorithmes de graphes, systèmes experts, logique floue, algorithmes génétiques, machine
learning…
– Rétrospective des progrès de l’intelligence artificielle
– Applications industrielles
• Qu’est-ce que l’apprentissage automatique ?
– Les principaux types d’apprentissages : supervisé, non supervisé, renforcement, transfert
– Les principaux algorithmes : des régressions linéaires aux réseaux de neurones
• Panorama des différentes librairies disponibles en Python
• Découverte de la librairie scikit-learn
– Présentation des concepts
– Mise en oeuvre des principaux algorithmes sur des jeux de données simples pour toucher
du doigt leurs concepts

2 Le plus important ce sont les données : 1 jour
• Comprendre l’importance de posséder de bons jeux de données
• Comment préparer ses données pour l’apprentissage automatique: données numériques,
textes, images…
• Apprentissage supervisé et non supervisé sur de véritables jeux de données avec scikit-learn

3 Les réseaux de neurones - 0,5 jour
• Comprendre les concepts des réseaux de neurones
• Panorama des différents types de réseaux de neurones
• Les différentes fonctions d’activation
• Présentation de PyTorch et de son écosystème
• Développer un premier réseau de neurones pour la reconnaissance d’images

4 Mise en oeuvre des principaux réseaux de neurones : 2 jours
• Le tout premier réseau de neurones : Perceptron - PER57
• Réductions linéraires, gradient descent, régression polynomiale, logistique
• Régressions et classifications avec les DNN (réseaux denses)
• Les réseaux de convolution pour la classification d’images
• Analyse de sentiments et vectorisation de mots
• Analyse de séries temporelles avec les réseaux récurrents (RNN)
• Apprentissage non supervisé avec les autoencoder
• Auto-encodeur variationnel

5 Les problèmes fréquents
• Comprendre et gérer le sous et sur apprentissage
• Les problèmes inhérents au traitement de la langue naturelle