Référence : Ap3bdIgfO2BS
Durée : 21 h sur 3 j
ATP FORMATION
VALBONNE
Vous souhaitez découvrir le Machine Learning (apprentissage automatique à partir de données), construire des modèles d'apprentissage automatique avec Python, optimiser vos modèles de prédiction ... N'attendez plus et venez suivre nos formations
Détails de la formation
Méthodes et outils pédagogiques
- Alternance entre apports théoriques et exercices pratiques
- 1 à 8 personnes maximum par session
- 1 poste informatique par personne
- Une assistance post-formation, d'une durée d'un an, sur le contenu de la formation
Objectifs de la formation
- Savoir mettre en place une stratégie de Machine Learning en Python afin de créer le modèle le plus satisfaisant possible en le mesurant et en affichant les résultats, le tout en utilisant des algorithmes performants.
Méthodes d'évaluation
- Emargement par demi-journée
- Evaluation des acquis par mise en situation de travail
- Evaluation qualitative de fin de stage
- Remise d'une attestation individuelle de formation en fin de stage
Les plus
- Formation dispensée par un expert technique et pédagogique
- De nombreux exemples et un véritable retour d'expérience viendront enrichir les concepts vus
Pré-requis
- Maîtriser l’algorithmique
- Avoir une appétence pour les mathématiques
- La connaissance de Python et des statistiques est un plus.
Modalités d'enseignement
- En présentiel
- En distanciel
Public cible
Tous publics
Programme
1
Introduction aux Data Sciences
- Qu’est que la data science ?
- Qu’est-ce que Python ?
- Qu’est que le Machine Learning ?
- Apprentissage supervisé vs non supervisé
- Les statistiques
- La randomisation
- La loi normale
- Qu’est-ce que Python ?
- Qu’est que le Machine Learning ?
- Apprentissage supervisé vs non supervisé
- Les statistiques
- La randomisation
- La loi normale
2
Introduction à Python pour les Data Sciences
- Les bases de Python
- Les listes
- Les tuples
- Les dictionnaires
- Les modules et packages
- L’orienté objet
- Le module math
- Les expressions lambda
- Map, reduce et filter
- Les générateurs
- Le module CSV
- Anaconda
- Les listes
- Les tuples
- Les dictionnaires
- Les modules et packages
- L’orienté objet
- Le module math
- Les expressions lambda
- Map, reduce et filter
- Les générateurs
- Le module CSV
- Anaconda
3
Introduction aux DataLake, DataMart et DataWharehouse
- Qu’est-ce qu’un DataLake ?
- Les différents types de DataLake
- Le Big Data
- Qu’est-ce qu’un DataWharehouse ?
- Qu’est qu’un DataMart ?
- Mise en place d’un DataMart
- Les fichiers
- Les bases de données SQL
- Les bases de données No-SQL
- Qu’est que MongoDB, Cassandra, Redis, CouchDb
- Les différents types de DataLake
- Le Big Data
- Qu’est-ce qu’un DataWharehouse ?
- Qu’est qu’un DataMart ?
- Mise en place d’un DataMart
- Les fichiers
- Les bases de données SQL
- Les bases de données No-SQL
- Qu’est que MongoDB, Cassandra, Redis, CouchDb
4
Python Package Installer
- Utilisation de PIP
- Installation de package PIP
- PyPi
- Installation de package PIP
- PyPi
5
MathPlotLib
- Utilisation de la bibliothèque scientifique de graphes MathPlotLib
- Affichage de données dans un graphique 2D
- Affichages de sous-graphes
- Affichage de polynômes et de sinusoïdales
- Affichage de données dans un graphique 2D
- Affichages de sous-graphes
- Affichage de polynômes et de sinusoïdales
6
Machine Learning
- Filtrage
- Qu’est qu’un modèle et un dataset
- Qu’est qu’une régression
- Les différents types de régression
- La régression linéaire
- Gestion du risque et des erreurs
- Quarter d’Ascombe
- Trouver le bon modèle
- La classification
- Loi normale, variance et écart type
- Apprentissage
- Mesure de la performance
- No Fee Lunch
- Qu’est qu’un modèle et un dataset
- Qu’est qu’une régression
- Les différents types de régression
- La régression linéaire
- Gestion du risque et des erreurs
- Quarter d’Ascombe
- Trouver le bon modèle
- La classification
- Loi normale, variance et écart type
- Apprentissage
- Mesure de la performance
- No Fee Lunch
7
La régression linéaire en Python
- Programmer une régression linéaire en Python
- Utilisation des expressions lambda et des listes en intention
- Afficher la régression avec MathPlotLib
- L’erreur quadratique
- La variance
- Le risque
- Utilisation des expressions lambda et des listes en intention
- Afficher la régression avec MathPlotLib
- L’erreur quadratique
- La variance
- Le risque
8
Numpy et SciPy
- Les tableaux et les matrices
- L’algèbre linéaire avec Numpy
- Numpy et MathPlotLib
- L’algèbre linéaire avec Numpy
- Numpy et MathPlotLib
9
ScikitLearn
- Régressions polynomiales
- La régression linéaire
- La création du modèle
- L’échantillonnage
- La randomisation
- L’apprentissage avec fit
- La prédiction du modèle
- Les metrics
- Choix du modèle
- PreProcessing et Pipeline
- Régressions non polynomiales
- La régression linéaire
- La création du modèle
- L’échantillonnage
- La randomisation
- L’apprentissage avec fit
- La prédiction du modèle
- Les metrics
- Choix du modèle
- PreProcessing et Pipeline
- Régressions non polynomiales
10
Nearest Neighbors
- Algorithme des k plus proches voisins (kNN)
- Modèle de classification
- K-NN avec SciKitLearn
- Choix du meilleur k
- Sérialisation du modèle
- Variance vs Erreurs
- Autres modèles : SVN, Random Forest
- La clusterisation avec k-Means
- Modèle de classification
- K-NN avec SciKitLearn
- Choix du meilleur k
- Sérialisation du modèle
- Variance vs Erreurs
- Autres modèles : SVN, Random Forest
- La clusterisation avec k-Means
11
Pandas
- L’analyse des données avec Pandas
- Les DataFrames
- La théorie ensembliste avec Pandas
- L’importation de données CSV
- L’importation de données SQL
- Pandas et SKLearn
- Les DataFrames
- La théorie ensembliste avec Pandas
- L’importation de données CSV
- L’importation de données SQL
- Pandas et SKLearn
12
Jupyter
- Présentation de Jupyter et Ipython
- Installation
- Utilisation de Jupyter avec MathPlotLib et SKLearn
- Installation
- Utilisation de Jupyter avec MathPlotLib et SKLearn
13
Les réseaux neuronaux
- Le perceptron
- Les réseaux neuronaux
- Les heuristiques
- Le deep learning
- Les réseaux neuronaux
- Les heuristiques
- Le deep learning
Ils témoignent
Très bonne formation que je recommande vivement. Le formateur a une très grande maîtrise du sujet et a été très présent pour m'accompagner dans la découverte du Machine Learning
Industrie
Formation parfaitement adaptée à mes attentes mais 1 jour de plus serait bien pour encore plus pratiquer.
Industrie
Sur la même thématique
Nous contacter
Chambre de Commerce
et d’industrie Nice Côte d’Azur
20 Boulevard Carabacel
CS 11259
06005 NICE CEDEX 1