Nous utilisons des cookies pour vous fournir l'ensemble de nos services, notamment la recherche et les alertes. En acceptant, vous consentez à notre utilisation de ces cookies.
Choisir mes préférences
.png&w=3840&q=75)
- Machine learning - l'apprentissage machine avec python et scikit-learn
.png&w=256&q=75)
Machine learning - l'apprentissage machine avec python et scikit-learn
Objectifs
Programme
- Maîtriser les bases du langage Python et de ses bibliothèques essentielles pour l'analyse de données et l'apprentissage machine, en particulier SciKit-Learn.
- Comprendre et appliquer les techniques de pré-traitement des données pour optimiser leur utilisation dans les modèles d'apprentissage machine.
- Acquérir les compétences pour concevoir, entraîner et évaluer des modèles d'apprentissage machine avec SciKit-Learn.
- Savoir interpréter les résultats obtenus à partir des modèles d'apprentissage machine et être capable d'optimiser ces modèles pour améliorer leur performance.
- Développer une connaissance pratique des techniques d'industrialisation et de déploiement des applications de prédiction basées sur SciKit-Learn.
1. L'ÉCOSYSTÈME SCIKIT LEARN
- Origine de SciKit Learn
- Missions et évolutions du framework
- Architecture et modules de SciKit Learn
- Atelier pratique: Installation de l'écosystème SciKit Learn sur différentes plateformes (PC, MAC, LINUX)
2. RÉCUPÉRATION DE DONNÉES AVEC SCIKIT LEARN
- Présentation de l'API dédiée aux jeux de données
- Gestion des grands jeux de données
- Découverte des jeux de données internes au framework
- Génération de données artificielles
- Accès aux données ouvertes
- Méthodologies de chargement de données externes
- Atelier pratique: Collecte de données sur un cas concret
3. PRÉTRAITEMENT DES DONNÉES AVEC SCIKIT LEARN
- Cadre et rôle du prétraitement
- Méthodes de mise à l'échelle des données
- Normalisation des données
- Traitement des données catégorielles
- Traitement des données manquantes
- Atelier pratique: Prétraitement des données dans un cas concret
4. INGÉNIERIE DES VARIABLES PRÉDICTIVES AVEC SCIKIT LEARN
- Cadre et rôle de l'ingénierie des variables prédictives
- Transformations non linéaires
- Algorithmes de réduction dimensionnelle de données
- Extraction automatique de traits (textes, images)
- Combinaison et transformations ad-hoc des données
- Atelier pratique: Ingénierie des variables prédictives sur un cas concret
5. MODÉLISATION AVEC SCIKIT LEARN
- Cartographie des algorithmes de l'écosystème
- Tour de l'apprentissage supervisé avec SciKit Learn
- Tour de l'apprentissage non supervisé avec SciKit Learn
- Mode de sélection d'algorithmes pertinents
- Atelier pratique: L'apprentissage supervisé et non supervisé sur cas concrets
6. SÉLECTION ET OPTIMISATION DES MODÈLES AVEC SCIKIT LEARN
- Présentation et usage des outils de combinaison et de chaînage de processus
- Évaluation de performance par validation-croisée
- Réglage des hyper-paramètres d'un modèle
- APIs d'évaluation des modèles de prédiction
- Différentes courbes d'évaluations de modèles de prédictions
- Atelier pratique: Sélection de modèle, et optimisation des réglages
7. INDUSTRIALISATION ET DÉPLOIEMENT AVEC SCIKIT LEARN
- Persistance des modèles
- Scaling des applications de prédictions avec SciKit Learn
- Problématiques de latence et de débit à l'exécution
- Parallélisation
- Gestion de l'environnement Python associé
- Atelier pratique: Industrialisation d'une application de prédiction
Public visé
Cette formation s'adresse principalement aux chefs de projet et aux data-scientists désireux de renforcer leur compréhension et leur maîtrise du fonctionnement de SciKit-Learn dans le cadre de l'apprentissage machine avec Python. Elle est également pertinente pour les ingénieurs logiciels, les analystes de données, les statisticiens et les chercheurs spécialisés en intelligence artificielle qui souhaitent acquérir des compétences supplémentaires et approfondir leurs connaissances dans le domaine du machine learning. Enfin, les étudiants en informatique, mathématiques, statistiques ou tout autre domaine connexe qui envisagent une carrière dans le traitement de données peuvent également tirer profit de cette formation. Il est recommandé d'avoir une connaissance de base du langage Python pour suivre ce cours de manière optimale.
Prérequis
Avoir une connaissance préalable du langage de programmation Python
Avoir une expérience avec une bibliothèque de calcul telle que Numpy ou Pandas
Être muni d'un ordinateur relié à Internet, équipé d'une caméra, d'un micro et d'un haut-parleur
Être à l'aise avec les notions de base en mathématiques, notamment en statistiques et en algèbre linéaire (recommandé mais pas obligatoire)
Avoir une attitude proactive et un esprit curieux pour apprendre de nouvelles compétences techniques.
Méthodes pédagogiques
L’approche pédagogique a été construite sur l’interactivité et la personnalisation : Présentation illustrée et animée par le Formateur Expert, partage d’expériences, études de cas, mise en situation réelle.
Tous les supports sont fournis par support papier, mail ou clé USB à chaque stagiaire.
Méthodologie pédagogique employée :
Chaque formation en présentiel ou en distanciel est animée par un Formateur Expert Métier sélectionné selon ses compétences et expériences professionnelles. Apport d’expertise du Formateur, quiz en début et fin de formation, cas pratiques, échanges d’expérience. Accès en ligne au support de formation.
Modalités d'évaluation
Méthodes utilisées et évaluation :
Evaluation et positionnement lors de la définition du projet pédagogique avec le(s) stagiaire(s). Un QCM est donné aux stagiaires le dernier jour de la formation pour valider leurs apprentissages. Une correction collective est effectuée par le Formateur. Une évaluation de fin de stage en direct est organisée entre le Formateur et le(s) stagiaire(s) pour recueillir et prendre en compte leurs appréciations. Une attestation de fin de stage est remise aux stagiaires.
Autres formation Machine learning - l'apprentissage machine avec python et scikit-learn
Sessions à la demande
Voir les formations de la même catégorieAutres formations disponibles :