Formation Machine Learning.
96% de clients Sparks satisfaits (3317 notes)
Durée :
3 jours
20/07/2022 à Distance
numero vert : 0805 950 800 (service et appel gratuits)
Machine Learning
à partir de
1950 €HT
Formation référencée Datadock

Référence :
SF33369
Durée :
3 jours
TP :
60%

Disponible en distanciel et dans 17 villes
Ce stage comprend
 21 heures de formation
60% de travaux pratiques
Pauses et snacks à volonté
Prise en charge OPCO possible
Disponible à distance

Formation Machine Learning.

Maîtrisez l'apprentissage machine, ses principaux concepts et méthodes grâce à notre formation Machine Learning de 3 jours !

Notre formation Machine Learning vous permettra d’acquérir les connaissances et compétences de base en matière d’apprentissage automatique. Quel que soit votre domaine de prédilection, la maîtrise des concepts et outils issus du machine learning offre de nouvelles perspectives professionnelles exaltantes. Grâce à notre formation intensive, vous apprendrez à préparer vos données et à les exploiter via la mise en œuvre des principaux algorithmes de machine learning. Vous créerez des modèles prédictifs et de prise de décision lors d’ateliers pratiques basés sur le langage Python, et apprendrez à utiliser les bibliothèques dédiées à l’apprentissage automatique. Une introduction au Deep Learning et réseaux neuronaux sera présentée en fin de formation, pour vous permettre d’appréhender cette technologie d’apprentissage en pleine ébullition.

Objectifs pédagogiques.
Prérequis : Connaissance d’un langage de programmation, de préférence Python. Connaissances basiques en algèbre conseillées
20/07/2022 à Distance
20/07/2022 à Grenoble
20/07/2022 à Lyon

Programme de formation Machine Learning.

PDF

Introduction à la formation Machine Learning

Intelligence Artificielle, Big Data, Data Science et Machine Learning : définitions et principes fondamentaux
Retour historique sur l’apprentissage automatique
Champs d’application du machine learning
Terminologie (étiquette, caractéristique, modèle, inférence…)
Exemples de mise en œuvre du machine learning
Principaux outils : Jupyter notebooks, scikit-learn, Pandas, BigML, Dataiku

Rappels mathématiques (vecteurs, loi normale, probabilité conditionnelle…)

Rappels sur la programmation en Python et notebooks Jupyter

Catégorisation des techniques et algorithmes d’apprentissage

Apprentissage supervisé
Classification et régression
Apprentissage non-supervisé
Clustering
Principaux algorithmes : Support Vector Machines, modèles de probabilité, arbres de décision, etc
Modéliser les problématiques d’entreprise en problèmes de machine learning
Workflow pour la construction d’un modèle
Choisir un type d’apprentissage et un algorithme pertinents

Obtention et préparation des données

Rappels sur les données (format, structuration, collecte, visualisation, interprétation)
Obtenir les données
La librairie open source scikit-learn
Techniques d’exploration des données
Feature Engineering (ingénierie des caractéristiques)
Extraction et sélection des features
Réduction de la dimension des données
L’analyse en composantes principales (PCA)

Evaluation des modèles d’apprentissage

Partitionner les données en ensembles d’apprentissage, de test et de validation
Exemples pour l’entraînement d’un modèle
Exemples pour le test d’un modèle
Mesures de performance : précision et rappel, matrices de confusion, cross-validation
Généralisation et risque de surapprentissage
L’intuition derrière les techniques d’apprentissage

Régression

Principaux cas d’utilisation
Régression linéaire simple
Méthode des moindres carrés ordinaire
Fonction de coût et algorithme du gradient
Régularisation : régression ridge et lasso
Les différents types de régression : multiple, polynomiale, SVR, arbre de décision, random forest, etc
Les métriques de la régression

Classification

Principaux cas d’utilisation
Régression logistique
Méthode des k plus proches voisins (k-NN)
Machine à vecteurs de support (SVM)
Kernel SVM
Classification naïve bayésienne (Naive Bayes)
Classification avec un arbre de décision et random forest
Les métriques de la classification

Clustering (segmentation)

Principes et principaux algorithmes
Méthode des k-moyennes (k-means)
Clustering hiérarchique
Clustering par densité

Introduction au Deep Learning (apprentissage profond)

Présentation générale et principes du Deep Learning
Les réseaux neuronaux artificiels
La bibliothèque TensorFlow
Cas d’utilisation, défis et perspectives

Notre charte qualité et éthique.

A travers sa Charte Engagement Qualité, Sparks s’engage à tout mettre en œuvre pour que chaque session de formation soit un succès et que votre satisfaction soit totale.

Amandine de Sparks
Des chiffres étincelants.
17 années
à vos côtés
+ de 1000
sujets de formation
6883
stagiaires formés en 2021
249
formateurs actifs en 2021
96%
de clients satisfaits
18581
heures de formation réalisées en 2021
HAUT