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 - niveau avancé : mlops et spark
.png&w=256&q=75)
Machine learning - niveau avancé : mlops et spark
Objectifs
Programme
- Comprendre et maîtriser les concepts fondamentaux de l'apprentissage automatique, y compris les méthodes supervisées, non supervisées et de méta-apprentissage, afin de pouvoir choisir et appliquer l'approche la plus appropriée en fonction du contexte.
- Acquérir une compétence pratique dans l'utilisation des modèles de langage de grande taille (LLM), y compris le prompt-engineering, le fine-tuning et le RAG, pour transformer efficacement les données textuelles en informations exploitables.
- Développer des compétences en matière de gestion des données, notamment l'utilisation d'embeddings et de bases de données vectorielles, pour améliorer l'efficacité et la qualité de l'analyse des données.
- Apprendre à déployer et à gérer des modèles de machine learning en production en utilisant les principes de MLOps, en assurant le bon fonctionnement des modèles, en minimisant les coûts et en évitant les incidents.
- Maîtriser l'utilisation de Spark pour l'apprentissage machine, en comprenant comment il peut être utilisé pour gérer et analyser de grands ensembles de données.
1. INTRODUCTION AU MACHINE LEARNING
- Définition de l'apprentissage machine
- Présentation et analyse d'exemples de tâches d'apprentissage machine
- Modes d'entraînement des machines : apprentissage supervisé, non-supervisé, semi-supervisé et par renforcement
- Introduction à la science des données et au big data
- Introduction à l'apprentissage profond et aux réseaux de neurones
- Importance et utilisation de l'apprentissage machine dans le monde professionnel
2. FONDAMENTAUX DU MACHINE LEARNING
- Optimisation des modèles : techniques et stratégies
- Gestion des jeux de données : préparation, nettoyage et partitionnement
- Fonctions hypothèses et de coût : définitions et rôles
- Algorithmes d'optimisation : descente de gradient, descente de gradient stochastique, Adam, etc.
- Laboratoire pratique : application des concepts vus en cours
3. ALGORITHMES DE CLASSIFICATION
- Introduction aux algorithmes de classification : régression logistique, SVM, arbres de décision, kNN
- Applications concrètes de chaque algorithme
- Comparaison des algorithmes de classification en fonction de différents critères
- Laboratoire pratique : mise en œuvre des algorithmes de classification
4. PRATIQUES AVANCÉES
- Prétraitement des données : normalisation, discrétisation, gestion des valeurs manquantes, etc.
- Ingénierie des variables prédictives : extraction de caractéristiques, sélection de caractéristiques, etc.
- Réglage des hyper-paramètres : techniques de recherche d'hyper-paramètres, validation croisée, etc.
- Évaluation des modèles : précision, rappel, AUC-ROC, etc.
- Laboratoire pratique : prétraitement des données, ingénierie des variables prédictives, réglage des hyper-paramètres et évaluation des modèles
5. APPRENTISSAGE D'ENSEMBLES
- Introduction aux techniques d'apprentissage d'ensembles : bagging, forêts aléatoires, boosting
- Applications pratiques de chaque technique
- Avantages et inconvénients de l'apprentissage d'ensembles
- Laboratoire pratique : mise en œuvre des techniques d'apprentissage d'ensembles
6. RÉGRESSION
- Modèles de régression : linéaire, polynomiale, logistique, etc.
- Évaluation des modèles de régression
- Applications pratiques des modèles de régression
- Laboratoire pratique : mise en œuvre des modèles de régression
7. MODÈLES DE LANGAGE DE GRANDE TAILLE (LLM)
- Introduction aux LLM : principes, utilités et limites
- Présentation de quelques modèles populaires
- Laboratoire pratique : mise en œuvre d'un modèle de langage de grande taille
8. MLOPS
- Introduction à MLOps : définition, importance et utilité
- Techniques pour le déploiement de modèles en production
- Gestion de l'exécution et de l'évolutivité des modèles
- Laboratoire pratique : déploiement d'un modèle en production avec MLOps
9. SPARK POUR L'APPRENTISSAGE MACHINE
- Introduction à Spark : principes, utilités et limites
- Utilisation de Spark pour l'apprentissage machine
- Laboratoire pratique : mise en œuvre d'un modèle d'apprentissage machine avec Spark.
Public visé
Cette formation s'adresse à un large éventail de professionnels travaillant avec des données et cherchant à approfondir leurs compétences en apprentissage automatique et en opérations de machine learning. Les ingénieurs en informatique, les analystes de données, les responsables marketing, les data scientists et les data stewards trouveront une valeur ajoutée en apprenant à utiliser et à déployer des modèles de machine learning en production.
De plus, les ingénieurs machine learning, les développeurs, les chercheurs, ainsi que les chefs de projet spécialisés en big data bénéficieront grandement de cette formation, qui leur permettra d'appliquer et de maintenir des solutions MLOps et Spark ML en production.
Enfin, toute personne intéressée par le data mining et les techniques d'apprentissage automatique est également invitée à y participer.
Prérequis
Être muni d'un ordinateur relié à Internet, possédant une caméra, un micro et un haut parleur
Avoir un niveau intermédiaire en Python
Être familier avec la pratique du langage Python
Avoir des connaissances de base en machine learning
Être familier avec le deep learning
Avoir de l'expérience avec l'utilisation de Docker
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.
Choisissez une date pour pouvoir réserver !
Autres formation Machine learning - niveau avancé : mlops et spark
Autres formations disponibles :