Programme Machine Learning etat de l'art
Dirigeants d'entreprise, DSI, responsables informatique, consultants, responsables de projets Big Data ou toute personne souhaitant comprendre les mécanismes et les bénéfices du Machine Learning.
Durée : 2 jours - 14 heures
Tarif : Nous contacter pour une formation INTER – INTRA ou en COURS PARTICULIER
La formation est délivrée en présentiel ou distanciel (e-learning, classe virtuelle, présentiel et à distance). Le formateur alterne entre méthodes démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). La validation des acquis peut se faire via des études de cas, des quiz et/ou une certification.
Cette formation est animée par un consultant-formateur dont les compétences techniques, professionnelles et pédagogiques ont été validées par des diplômes et/ou testées et approuvées par l’éditeur et/ou par Audit Conseil Formation.
Les objectifs
pré-requis
Avoir une culture informatique générale. Il est également recommandé de posséder des notions de probabilités et statistiques.
Moyens pédagogiques, techniques et d'encadrement
- 1 poste de travail complet par personne
- De nombreux exercices d'application
- Mise en place d'ateliers pratiques
- Remise d'un support de cours
- Remise d'une attestation de stage
Modalités d'évaluation des acquis
- Evaluation des besoins et objectifs en pré et post formation
- Evaluation technique des connaissances en pré et post formation
- Evaluation générale du stage
Accessibilité handicapés
- Au centre d’affaires ELITE partenaire d’ACF à 20 m.
- Guide d’accessibilité à l’accueil.
Le Programme
Expliquer les concepts de Machine Learning
Définition
A quoi sert le Machine Learning ?
La différence entre Intelligence Artificielle et Machine Learning
Les enjeux de l'utilisation du Machine Learning
Outils nécessaires pour la pratique du Machine Learning sur vos propres données
Mise en place d'un workflow
Découvrir Python (NumPy, Pandas, Matplotlib, Seaborn...)
D'où vient l'importance de la visualisation des données ?
Comment la machine peut-elle lire différentes données de différents types ?
Explorer et préparer les données
Les données manquantes
Les données dupliquées
Les variables catégoriques
Les données manquantes
Les données dupliquées
Les variables catégoriques
Choisir et appliquer un bon algorithme
Comprendre la différence entre un contexte supervisé et un contexte non supervisé
Algorithmes supervisés
Maîtriser la différence entre la régression et la classification et dans quel contexte chacune est utilisée
Appliquer des méthodes de régressions (régression linéaire, régression polynomiale...)
Appliquer des méthodes de classification (KNN, SVM, forêt d'arbres décisionnels...)
Maîtriser et appliquer les paramètres d'évaluation des performances : MAE, RMSE pour la régression, et matrice de confusion, rapport de classement pour la classification (notion du true positif / true négatif, false positif / false négatif)
Algorithmes non supervisés
Clustering (K-means, Mean shift)
Réduction de dimension (PCA, LDA)
Déployer le modèle Machine Learning
Conditions de déploiement d'un modèle Machine Learning