Espace client
Détails :
Durée :
2 Jours
Prérequis :
Public :
Objectifs :
Au terme de cette formation, vous saurez :
- Comprendre concepts, tâches principales et outils en Machine Learning.
- Préparer et structurer les données pour l'apprentissage machine.
- Créer, évaluer et optimiser les modèles prédictifs efficacement.
- Découvrir principaux algorithmes pour régression, classification et clusterisation.
- Améliorer modèles via validation croisée et recherche d'hyperparamètres.
- Comprendre réseaux de neurones.
Demande de devis :
Devis :
Si vous souhaitez être contacté et obtenir plus d'informations sur cette formation
veuillez remplir notre formulaire de mise en relation.
Cursus de formation :
Cursus :
Programme détaillé de la formation :
- Intelligence artificielle VS Machine Learning VS Deep Learning
- Les principales tâches du Machine Learning
- La régression
- La classification
- La clusterisation
- La réduction de dimensionnalité
- Les différents types d'entrainements
- L'apprentissage supervisé
- L'apprentissage non supervisé
- L'apprentissage auto-supervisé
- L'apprentissage semi-supervisé
- L'apprentissage par renforcement
- L'apprentissage par transfert
- Présentation de Scikit-Learn
- Lien avec les bibliothèques Python de calcul scientifique (Numpy, Scipy, Matplotlib et Pandas)
- Un peu de terminologie (DataSet, Caractéristique, Observation, Modèle, Hyperparamètre, ...)
- Chargement de données
- Pré-traitement de données (Standardisation, Transformations non linéaires, Discrétisation)
- Génération de données
- Les différents types de jeux de données : Training Set, Validation Set et Test Set
- Génération de modèles
- Estimation de la performance d'un modèle
- Mesures de performance
- Modification des hyper-paramètres
- Chargement et enregistrement d'un modèle
- Modèles de régression
- La régression linéaire
- La régression logistique
- Modèles de classification
- L’arbre de décision
- Les plus proches voisins (k-NN)
- Les machines à vecteur de support (SVM)
- La classification selon Naive Bayes
- Les modèles de clusterisation
- Les modèles de réduction de dimensionnalité
- Notion de matrice de confusion
- Présentation de l'outil SeaBorn
- La validation croisée et les différentes stratégies
- Validation croisée k-fold
- Validation shuffle split
- Validation croisée Leave-One-Out (LOO)
- Validation croisée stratifiée
- Estimateurs avec "Cross Validation" intégrée
- Utilisation de l'outil GridSearchCV
- Le Deep Learning, une branche du Machine Learning
- Qu'est-ce qu'un réseau de neurones ?
- Présentation des bibliothèques Tensorflow et PyTorch
- Quelques exemples de réseaux de neurones
Introduction au Machine Learning
Manipulation de données
Modèles d'apprentissage
Les algorithmes standards
Optimisations des modèles
Sensibilisation au Deep Learning