Aller au contenu principal

Machine learning : implémentation en Python

Date de mise à jour :
Identifiant Offre Info : 03_261334787F
Organisme responsable : Dawan (ouvre dans un nouvel onglet)

Nouvelle recherche

Présentation de la formation

Objectifs

Comprendre et choisir une méthode d'apprentissage automatique
Acquérir les bases du Machine Learning avec Python

Programme de la formation

Comprendre l'apprentissage automatique (Machine Learning) Machine Learning : définition, contextes d'utilisation, phases (apprentissage, mise en production) Enjeux et limites Approches mathématiques et statistiques Application et types de données : graphes, arbres, courbes, vecteurs de caractéristiques Qualification de la phase d'apprentissage : classification, régression, renforcement, non supervision Panorama d'algorithmes : régressions (linéaire ou logistique),…

Comprendre l'apprentissage automatique (Machine Learning)
  • Machine Learning : définition, contextes d'utilisation, phases (apprentissage, mise en production)
  • Enjeux et limites
  • Approches mathématiques et statistiques
  • Application et types de données : graphes, arbres, courbes, vecteurs de caractéristiques Qualification de la phase d'apprentissage : classification, régression, renforcement, non supervision
  • Panorama d'algorithmes : régressions (linéaire ou logistique), machines à vecteurs, réseaux de neurones, k plus proches voisins (KNN), boosting,...
  • Facteurs de pertinence et d'efficacité : nombre d'exemples, qualité des attributs, pourcentage des données renseignées ou manquantes, bruit
Organiser un projet d'apprentissage
  • Défintion du problème
  • Acquisition des données
  • Analyse et exploration des données
  • Préparation et nettoyage des données
  • Extraction de caractéristiques
  • Choix ou construction du modèle d'apprentissage
  • Entrainement, évaluation et optimisation
  • Test et vérification de surapprentissage Déploiement
Découvrir des bibliothèques Python
  • NumPy : manipulation de matrices et fonctions
  • Pandas : lecture et manipulation de données
  • Jupyter et ses Notebook : utilisation de cahiers électroniques
Implémenter des algorithmes d'apprentissage sur des données
  • Présentation d'une base de données
  • Régression linéaire (simple ou multiple) : étude, import, création et application d'un modèle, évaluation
  • Régression logistique : packages, création et application d'un modèle, évaluation et matrice de confusion
  • K plus proches voisins (KNN) : packages Python, Application et évaluation, amélioration
  • Support Vector Machine (SVM) : principe, découverte de la base de données, application et évaluation
  • Analyse en composante principale (PCA) : principe, création du modèle et visualisation des données en 2D
  • Decision Tree : principe, préparation des données, création du modèle et visualisation de l'arbre de décision
  • Random Forest : principe, implémentation en Python
Evaluer les modèles implémentés
  • Ré-échantillonnage
  • Représentativité des données d'apprentissage Interprétation de la matrice de confusion Sensibilité et spécificité d'un test : Receiver Operating Characteristic (ROC) et Area under the ROC Curve (AUC)

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Niveau de sortie

Sans niveau spécifique

Durée, rythme, financement

Durée

En centre

35 h

Financement

Conventionnement
Oui
Financeur
  • Bénéficiaire de l'action

    Programme : Individuel (AIF, POEI, Région individuel, autofinancement)

Conditions d'accès

Public visé

  • Tout public

Niveau d'entrée

Sans niveau spécifique

Conditions spécifiques et prérequis

Maîtrise des bases du langage Python

Lieu de réalisation de l'action

Modalités d'enseignement

Formation mixte

Adresse

62 Rue de Bonnel
69003 Lyon 3e

Responsable : Dawan

Périodes prévisibles de déroulement des sessions

Début

Fin

Adresse d'inscription
62 Rue de Bonnel
69003 Lyon 3e
État du recrutement
Ouvert
Modalités
Entrées / Sorties à dates permanentes