Machine Learning en Python

Qualiopi

En centre

Non éligible CPF

Objectifs

Programme

Comprendre l'apport du Machine Learning et ses limites
Maîtriser les principaux algorithmes
Savoir créer et optimiser un modèle prédictif en python
Mesurer la qualité des modèles et les performances attendues en production
Connaître le workflow global du projet
Savoir mettre en oeuvre les bonnes pratiques pour éviter les écueils de ce type de projet
Pouvoir déployer un modèle, le superviser et le mettre à jour en production
Comprendre comment appliquer le Machine Learning sur des données structurées, sur du texte, et sur des séries temporelles

JOUR 1

Introduction au Machine Learning :

Principe général et concepts basiques
Exemples de cas d'usage dans différents secteurs : industrie, marketing, IoT, web, énergie…
Cadre d'utilisation : possibilités et limitations
Bien formuler la problématique : comment passer d'un problème métier à un problème Machine Learning

Ecosystème Python :

Python scientifique : numpy, pandas, matplotlib, scipy
La lirairie Scikit-learn
Notebook Jupyter, Anaconda
Algorithmes de Machine Learning, première partie : les bases
Régression linéaire et régression logistique
K plus proches voisins : KNN
Arbres de décision et Random Forests

JOUR 2

Critères d'évaluation :

Régression : MAE, MSE, RMSLE, R²…
Classification : accuracy, precision, recall, F1 score…
Procédures d'évaluation : train-test split, cross-validation, validation set

Optimisation des hyper-paramètres :

Gridsearch, randomsearch
Soft optimisation et hard optimisation

Méthodologie et bonnes pratiques :

Déroulé d'un projet de data science : une procédure itérative
Workflow complet du projet
Pipeline de transformation
Ecueils à éviter et comment s'en prémunir : surrapprentissage (overfitting) et fuite de données (data leakage)

JOUR 3

Data prepration et feature extraction :

Traitement des données aberrantes et manquantes
Normalisation et standardisation
Combinaison de features

Mise en production :

Déployer un modèle en production via une API
Monitoring des modèles
Mise à jour des modèles

Algorithmes de Machine Learning, deuxième partie : les autres catégories

Boosting et gradient boosting
Clustering
Détection d'anomalie
Réseaux de neurones et Deep Learning

Adapter selon le type de données :

Comment traiter du texte
Comment traiter des séries temporelles

Public visé

Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien, et toute personne travaillant dans la data et sachant manipuler du code informatique

Prérequis

Connaitre un langage de programmation, idéalement python
Un test de positionnement sera réalisé au préalable pour vérifier si vous disposez des compétences nécessaires pour suivre la formation.

Méthodes pédagogiques

Cette formation alterne contenu théorique et mise en pratique. Elle vous permettra de comprendre en profondeur le Machine Learning : ses enjeux et ses limites, comment concevoir un use case, quels sont les principaux algorithmes et comment les utiliser, les optimiser, et évaluer la qualité des modèles prédictifs obtenus.

Vous mettrez les notions apprises en pratique sur des cas concrets réels, et maîtriserez les bonnes pratiques du domaine, les écueils à éviter absolument, le cycle de développement et de déploiement, ainsi que la supervision du modèle en production.

L'objectif est de vous donner toutes les bases nécessaires pour que vous puissiez à l'issue de la formation faire votre propre projet de Machine Learning, depuis la récupération des données jusqu'à l'exploitation de votre modèle. Vous comprendrez comment appliquer ces techniques sur des données structurées, du texte, ainsi que des séries temporelles.

Exercices concrets
Cas pratiques
Quiz d'évaluation des connaissances

Modalités d'évaluation

Positionnement en amont de la formation :

Un quiz de consolidation des pré-requis sera administré en amont de la formation

Suivi « pendant » :

Feuilles de présence
Exercices pratiques
Évaluation « fin de formation »
Évaluation des acquis en fin de formation
Formulaires d'évaluation de la formation

Évaluation à froid :

Suivi post-formation : Questionnaire de satisfaction à j+60

Informations complémentaires

Accessibilité :

Délais d'accès à la formation

Le délai d'accès à la formation est variable en fonction du dispositif de financement utilisé, du planning des formateurs et des contraintes du client. Pour les formations inter-entreprises, vous pouvez consulter notre calendrier en ligne ou prendre contact avec nous. Nous traitons vos demandes sous 48 heures

Accessibilité

Si vous êtes en situation de handicap, merci de nous en informer afin de vous accompagner, vous orienter, et étudier les compensations nécessaires pour répondre au mieux à votre demande de formation. Certaines formations peuvent nécessiter une adaptation pour les personnes en fonction de leur handicap. Nous restons disponibles pour échanger ensemble et nous pourrons vous orienter vers un de nos partenaires : Agefiph, Cap Emploi