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 :
- Identifier les principes fondamentaux du Machine Learning pour une mise en oeuvre adaptée d'un projet d'Intelligence Artificielle
- Décrire les concepts d'apprentissage automatique et l'évolution du Big Data vers le Machine Learning
- Définir les enjeux de l'utilisation du Machine Learning, incluant les bénéfices attendus et des exemples d'usage
- Identifier le positionnement du Machine Learning dans la chaîne de traitement de la donnée
- Reconnaître les outils et les acteurs leaders du marché
- Décrire les principaux algorithmes et la démarche projet à appliquer selon les cas d'usages en entreprise
- Identifier les clés de réussite d'un projet intégrant du Machine Learning.
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
Pré-requis
Avoir une culture informatique générale. Il est également recommandé de posséder des notions de probabilités et statistiques.
Public cible
- Dirigeants
- Managers
- Collaborateurs
Programme
-Définition
-A quoi sert le Machine Learning ?
-La différence entre Intelligence Artificielle et Machine Learning
-Les enjeux de l'utilisation du Machine Learning
-Outils nécessaires pour la pratique du Machine Learning sur vos propres données
-Les données manquantes
-Les données dupliquées
-Les variables catégoriques-Nettoyage des données (supprimer les données inutiles)-Diviser l'ensemble de données entre l'ensemble d'apprentissage et l'ensemble de test-Appliquer "Feature scaling"Jour 2
-Maîtriser la différence entre la régression et la classification et dans quel contexte chacune est utilisée
-Appliquer des méthodes de régressions (régression linéaire, régression polynomiale...)
-Appliquer des méthodes de classification (KNN, SVM, forêt d'arbres décisionnels...)
-Maîtriser et appliquer les paramètres d'évaluation des performances : MAE, RMSE pour la régression, et matrice de confusion, rapport de classement pour la classification (notion du true positif / true négatif, false positif / false négatif)-Algorithmes non supervisés
-Clustering (K-means, Mean shift)
-Réduction de dimension (PCA, LDA)
Sur la même thématique
Chambre de Commerce
et d’industrie Nice Côte d’Azur
20 Boulevard Carabacel
CS 11259
06005 NICE CEDEX 1