Python, machine learning
Descriptif de la formation
Dans cette formation vous comprendrez les algorithmes les plus efficaces de Machine Learning. Vous entrainerez vos premiers modèles prédictifs sur des jeux de données issus de cas réels. Vous apprendrez à les évaluer, à les optimiser, et à éviter les écueils classiques de ce type de projet.
A travers de nombreuses mises en pratique et illustrations, vous comprendrez exactement les cas d’usage à forte valeur ajoutée qui peuvent être adressés par ces technologies, et comment les mettre en œuvre en Python avec la librairie scikit-learn.
Les objectifs
En quelques mots...
Public
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
Pré-requis
Connaitre un langage de programmation, idéalement python
Méthodes et Moyens pédagogiques
Formation réalisée en présentiel ou à distance selon la formule retenue
Exposés, cas pratiques, synthèse, assistance post-formation pendant trois mois
Un poste par stagiaire, vidéoprojecteur, support de cours fourni à chaque stagiaire
Modalités de suivi et d'évaluations
Feuille de présence émargée par demi-journée par les stagiaires et le formateur
Exercices de mise en pratique ou quiz de connaissances tout au long de la formation permettant de mesurer la progression des stagiaires
Questionnaire d’évaluation de la satisfaction en fin de stage
Auto-évaluation des acquis de la formation par les stagiaires
Attestation de fin de formation
Informations pratiques
Accessibilité , modalités et délais d'accès
Programme mis à jour le 02/02/2023
Programme détaillé
INTRODUCTION
- Définition du Machine Learning
- Principaux cas d’usage
- Classification et régression
- Machine Learning supervisé et non supervisé
PYTHON ET LE MACHINE LEARNING
- Librairies scientifiques : numpy, pandas, et matplotlib
- Scikit-learn
- Serveur Jupyter et notebooks
ALGORITHMES DE MACHINE LEARNING SUPERVISES
- Régression linéaire et régression logistique
- K plus proches voisins : KNN
- Arbres de décision
- Forêts aléatoires
QUANTIFIER LA QUALITE D’UN MODELE
- Méthode pour mesurer la qualité
- Critères d’évaluation pour la régression : MAE, MSE, R²…
- Critères d’évaluation pour la classification : accuracy, F1 score, ROC AUC…
AMELIORER LA QUALITE DES MODELES
- Tester plusieurs modèles
- Optimiser le meilleur modèle
- Optimiser les prédictions
MENER UN PROJET DE MACHINE LEARNING
- Etapes clés du projet
- Packager et déployer le modèle
- Eviter les erreurs classiques
- Superviser le modèle en production
ALGORITHMES DE MACHINE LEARNING NON SUPERVISES
- K-Means
- DBScan
- Isolation Forests