Formation - Big Data - Développement d'applications de Machine Learning et d'Intelligence Artificielle (IA)

Intra-entreprise

Référence : OMOT4qX06bSz

Durée : 35 h sur 5 j

Tarif

17 250 €

M2i Formation

Mougins

Intra-Entreprise

Une formation intra-entreprise réunit dans une même session les salariés d'une seule entreprise. Elle se déroule généralement dans les locaux de l'entreprise. Le tarif est convenu pour la formation d'un groupe de salarié.

Détails de la formation

Méthodes et outils pédagogiques

Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance).
Le formateur alterne entre méthode** démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation).
Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont :

Ordinateurs Mac ou PC (sauf pour certains cours de l’offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel)
Environnements de formation installés sur les postes de travail ou en ligne
Supports de cours et exercices

En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué.
* nous consulter pour la faisabilité en distanciel
** ratio variable selon le cours suivi

Objectifs de la formation

A l’issue de cette formation, vous serez capable de :

Développer des applications de Machine Learning et d'IA (Intelligence Artificielle) avec Spark et Python
Utiliser la programmation parallèle sur un cluster
Développer et optimiser des algorithmes standards de Machine Learning et d'IA
Utiliser les bibliothèques Python pour le Machine Learning et d'IA
Décrire le cycle de vie d'un projet Data Science.

Méthodes d'évaluation

En cours de formation, par des études de cas ou des travaux pratiques - Et, en fin de formation, par un questionnaire d'auto-évaluation et/ou un examen M2i

Pré-requis

Avoir des connaissances en mathématiques algébriques pour pouvoir interpréter les algorithmes à mettre en oeuvre, et connaître le langage Python (des rappels seront faits pendant la formation).

Public cible

Tous publics

Programme

Vue d'ensemble du Big Data, du Machine Learning et de l'IA

-Introduction au Big Data et à l'IA (Intelligence Artificielle) : de quoi s'agit-il ?-Perspectives offertes par le Big Data et l'IA-Les acteurs du Big Data et de l'IA-Exemples pratiques-Les technologies concernées-Les différents métiers-Aspects économiques (OPEX, CAPEX, TRI) du Cloud vs On-Premise-Démonstration d'applications

Rappels sur la Data Science

-Les bases du langage Python-Modélisation des problématiques grâce à des vecteurs et matrices-Probabilités, statistiques, statistiques descriptives, statistiques explicatives-Entropie, gain d’information-Compromis biais-complexité-La malédiction de la dimension-Matrice de confusion-Gérer les valeurs manquantes MCAR / MAR / MNAR-Validation croisée-Courbe d'apprentissage-Fondamentaux du nettoyage des données-Réduction de la dimension par sélection de variables et par transformation de variables-Métriques de performance d'un modèle :
-R²
-Accuracy
-Prrécision et rappel (recall)
-F1-score
-AUC
-P-valeur

<em>Exemples de travaux pratiques (à titre indicatif)</em>

-Chargement, exploration, analyse, nettoyage, et premières modélisations sur un jeu de donnéesJour 2

Machine Learning et IA : algorithmes

-Les concepts du Machine Learning et de l'IA-Les données supervisées ou non supervisées : quelles différences ?-Les librairies :
-Scikit-learn
-Tensorflow
-PyTorch
-Keras-Régression-Modèles linéaires-Classification-Naive Bayes-K-NN-K-Means clustering

<em>Exemples de travaux pratiques (à titre indicatif)</em>

-Mise en oeuvre des algorithmes vus en fonction de la finalité recherchée (régression, classification, imputation de valeurs manquantes) et en utilisant les librairies Scikit-learn et KerasJour 3