Programme Machine Learning etat de l'art

Participants :

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

Ce programme couvre les concepts fondamentaux du Machine Learning IA, des outils et techniques pour préparer et explorer les données, aux algorithmes supervisés et non supervisés, en passant par le déploiement des modèles.

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.

Dates des formations
Du 23/01/2025 au 24/01/2025Demander un devis
Du 12/03/2025 au 13/03/2025Demander un devis
Du 10/06/2025 au 11/06/2025Demander un devis
Du 09/09/2025 au 10/09/2025Demander un devis
Logo ACF

Demande de devis

Formation
Cadre
Pôle Emploi
Nom/Prénom
Société
E-mail
Téléphone
Période
Evaluer mon niveau

Les objectifs

Identifier
Identifier
les principes fondamentaux du Machine Learning pour une mise en oeuvre adaptée d'un projet d'Intelligence Artificielle
Décrire
Décrire
les concepts d'apprentissage automatique et l'évolution du Big Data vers le Machine Learning
Définir
Définir
les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d'usage
Identifier
Identifier
le positionnement du Machine Learning dans la chaîne de traitement de la donnée

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