Concepteur développeur en intelligence artificielle et analyse big data - BC03 appliquer des techniques d'analyse IA via des algorithmes d'apprentissage automatiques (Machine Learning)

Cette formation prépare uniquement au bloc de compétences RNCP38616BC03, partie intégrante du titre RNCP Concepteur développeur en intelligence artificielle et analyse big data.

- Vous souhaitez apprendre Python et prendre en main Jupyter pour écrire du code. - Vous voulez remplacer Excel/SaS par Python pour manipuler et explorer vos données efficacement avec la librairie Pandas. - Vous souhaitez représenter vos données en utilisant les meilleures librairies de visualisation comme Plotly, Facets et Kepler. - Vous souhaitez comprendre les concepts derrière le Machine Learning et être en mesure d'imaginer de nouveaux cas d'applications. - Vous souhaitez maîtriser le cycle de développement d'un algorithme d'IA pour échanger avec vos équipes internes. - Vous souhaitez connaître les grandes familles d'algorithmes de Machine Learning et les implémenter à l'aide des librairies de référence comme Scikit-Learn et PyCaret. - Vous souhaitez être en mesure d'ajouter une brique d'IA à votre produit.

Partie I : Prenez en main Python et explorez des jeux de données. Les bases de Python : Apprenez toutes les bases du langage Python nécessaire à l'exploration de données (fonctions, boucles, conditionnelles, etc.). Vous utiliserez les notebooks Jupyter tout au long de votre formation. Manipulation de données et statistiques descriptives : Apprenez à lire et à sauvegarder de la donnée avec Python. Utilisez la librairie Pandas pour toutes les opérations de Data Wrangling (agrégation, jointures, concaténation, tableau croisé dynamique ...) et calculer des statistiques descriptives. Visualisation : Explorez les données avec les librairies Plotly et Facets, ou encore l'outil d'Uber Kepler pour les données géolocalisées. Ajoutez des éléments d'interactions via des widgets et convertissez en quelque clics votre notebook en véritable application web avec les librairies Voilà et Binder. Partie II : Apprivoisez le Machine Learning sur les données tabulaires. Cycle de développement d'un algorithme d'IA : Découvrez les grandes étapes de conception d'un algorithme d'intelligence artificielle, de la préparation de données à l'analyse de la performance. Analyses prédictives : Modélisation quantitatives des dynamiques entre données continues, avec des algorithmes statistiques classiques et de Machine Learning (sklearn et PyCaret). Apprentissage automatique des classes (labels) dans des jeux de données annotés; diagnostic des performances via des analyses de précision/rappel. Clustering : Détection/segmentation automatique de groupes partageant des caractéristiques proches, via de l'apprentissage non-supervisé. Partie III : Prédisez le futur ! Analyse de saisonnalité : Décomposition de série temporelle pour extraire leur variations saisonnières et leurs tendances de fond (analyse STL : Season + Trend + Remainder). Prédiction temporelle : Algorithmes ARIMA et lissage exponentiel pour prédire le futur probable. Explorez d'autres approches Machine learning avec les librairies de Facebook et Linkedin : Prophet et Greykite. Détection d'anomalie : Identification des points remarquables et changements de régime. Partie IV : Domptez l'univers avec vos analyses spatio-temporelles. Clustering spatial : Prise en main de données géo-spatiales et détection automatique de zones de fortes densités et des outliers. Découpage spatial en hexagone : Découpage de l'espace en hexagones via l'algorithme H3 d'Uber. Enrichissement de chaque donnée géolocalisée avec son hexagone spatial correspondant. Cooccurrence et colocalisations : Détection de cooccurrences de lieux visités entre deux identifiants. Prise en compte de la contrainte temporelle : la cooccurrence devient une colocalisation. Partie V : Projets de fin. Travaillez sur vos propres données avec notre aide ou travaillez sur les données d'un de nos partenaires pour valider la formation.