Machine Learning
Présentiel
Format de la formation
Il n'y a pas encore de taux de satisfaction sur ce produit.
Aucun stagiaire n'a été formé sur cette formation.
Formation
Durée
21 heures sur 3 jours
Groupe
De 1 à 8 personnes
Tarifs
Inter : Nous consulter
Intra : Nous consulter
Programme
Pré-requis
Connaissances de base en algèbre (matrices) et statistiques. Connaissances en programmation, idéalement en Python
Public concerné
Data analysts, data scientists, business analysts, toute personne s’intéressant à ce domaine fortement évolutif.
Objectifs
À l’issue de la formation, le participant sera en mesure de :
Comprendre les différents modèles d'apprentissage
Modéliser un problème pratique sous forme abstraite
Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème
Appliquer et évaluer les méthodes identifiées sur un problème
Faire le lien entre les différentes techniques d'apprentissage
Objectifs pédagogiques
- À l’issue de la formation, le participant sera en mesure de :
- Comprendre les différents modèles d'apprentissage
- Modéliser un problème pratique sous forme abstraite
- Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème
- Appliquer et évaluer les méthodes identifiées sur un problème
- Faire le lien entre les différentes techniques d'apprentissage
Contenu
Journée 1
Introduction : La Data Science
Module 1 : Machine Learning : Apprentissage Automatique
Définition et historique
Exemples d’applications de l’apprentissage automatique
Types d’apprentissage (Supervisé/Non supervisé)
Choix du modèle
Module 2 : Optimisation et sélection du meilleur modèle
Métriques et sélection du meilleur modèle
Calcul des paramètres du modèle
Validation, validation croisée
Sur-apprentissage (Overfitting)
Module 3 : Premier algorithme d’apprentissage : la régression
Régression linéaire, principe et fonctionnement
Fonction coût/perte
Les régressions : multiple, Ridge, Lasso
Cas pratique
Journée 2
Module 4 : Les algorithmes de classification
Régression Logistique
Arbres de décision & Forêts aléatoires K-NN (les K plus proches voisins)
SVM (Support Vector Machine)
Cas pratique
Module 5 : Segmentation & clustering
Distances
K-moyennes (K-Means)
Hierarchical clustering
Cas pratique
Module 6 : Systèmes de recommandations
Content-based filtering
Collaborative filtering (filtrage collaboratif)
Cas pratique
Journée 3
Module 7 : Réduction de dimensions
Selection des features
Analyse en composante principale
Cas pratique
Module 8 : Introduction au text-mining
Pré-traitement
Création d’un nuage de mots
Analyse de sentiments
Modules 9 : Introduction à l’apprentissage profond : Deep Learning
Cas d’utilisation :
Classification d’images
Réseaux de neurones perceptron multicouches
Réseaux de neurones à convulsion
Réseaux de neurones récurrents
Réseaux autoencoders
Conclusion : perspectives et challenges
Méthodes Pédagogiques
Cas pratiques
Support de cours
Modalités d'évaluation
Questionnaire de positionnement Evaluation en cours de formation : exercices Evaluation de fin de formation : Qcm Bilan individuel des compétences acquises Questionnaire de satisfaction à chaud Attestation de fin de formation
Accessibilité
Nous consulter
Date de modification
02/05/2023