Aller au contenu principal

Machine Learning et Deep Learning avec Python

Date de mise à jour :
Identifiant Offre Info : 14_AF_0000147905
Organisme responsable : Data Value (ouvre dans un nouvel onglet)

Nouvelle recherche

Présentation de la formation

Objectifs

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels Compétences visées - Connaître le paysage des modèles de Machine Learning - Connaître les librairies les plus courantes associées au Machine Learning et Deep Learning (Sciki-Learn, Tensorflow, Keras, statsmodels) - Savoir…

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels

Compétences visées
- Connaître le paysage des modèles de Machine Learning
- Connaître les librairies les plus courantes associées au Machine Learning et Deep Learning (Sciki-Learn, Tensorflow, Keras, statsmodels)
- Savoir mettre en place un projet Machine Learning
- Avoir des notions avancées sur l'évaluation de modèles

Programme de la formation

Programme - Concepts du Machine Learning (1.5 jour) Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle Présentation des différents types d'apprentissage Principe de la régression linéaire Compromis Biais Variance Modèles ensemblistes (Random Forest) Modèles non linéaires (support vector Machine, Multi Layer Perceptron) Réduction de dimensions (PCA, SparsePCA, Analyse factorielle) Bonnes pratiques en Data Science - Prise en…

Programme
- Concepts du Machine Learning (1.5 jour)
  • Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle
  • Présentation des différents types d'apprentissage
  • Principe de la régression linéaire
  • Compromis Biais Variance
  • Modèles ensemblistes (Random Forest)
  • Modèles non linéaires (support vector Machine, Multi Layer Perceptron)
  • Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)
  • Bonnes pratiques en Data Science

- Prise en main de la librairie scikit-learn (2 jours)
  • Présentation de scikit-learn
  • Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)
  • Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)
  • Sélection des variables
  • Importance des variables (globale et locales avec les algorithmes LIME et SHAP)
  • Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé

- Introduction au Deep Learning (1.5 jour)
  • Zoologie des types de couches de neurones artificielles
  • Principes de rétropropagation et mise à jour des paramètres
  • Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d'image
  • Principe du transfer learning, knowledge distillation et entraînement à partir de 0
  • Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)

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
Non

Conditions d'accès

Public visé

  • Tout public

Niveau d'entrée

Sans niveau spécifique

Conditions spécifiques et prérequis

Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Python - Bases et introduction aux librairies scientifiques ou d'avoir atteint par la pratique un niveau équivalent

Lieu de réalisation de l'action

Modalités d'enseignement

Formation entièrement en présentielle

Adresse

54 Rue du Faubourg Saint-Antoine
75012 Paris 12e

Responsable : A&O Expertise

Périodes prévisibles de déroulement des sessions

Début

Fin

Adresse d'inscription
Data Value
31670 Labège
État du recrutement
Ouvert
Modalités
Entrées / Sorties à dates fixes