Strategie Formation MARTINIQUE - logotype
Recherche
Connexion
Panier

Machine Learning

A travers des applications et des présentations de cas pratiques, vous découvrirez les modèles utilisés en machine learning (apprentissage automatique), ainsi que les bases du deep learning pour l'intelligence artificielle. Cette formation vous fournira ainsi tout le bagage nécessaire à la compréhension de ce domaine passionnant et vous rendra capable de développer vos propres modèles, notamment grâce à la partie pratique de cette formation qui se fera sur les logiciels KNIME et Python (50%).

Présentiel
Format de la formation

Il n'y a pas encore de taux de satisfaction sur ce produit.

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

23/11/2021

Fiche Programme

Télécharger le programme