Python, machine learning


3 j (21 heures)
Tarif : 1750€HT

 4.5/5  
Ref : MCEP

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

- Comprendre les enjeux et les fondamentaux du Machine Learning
- Apprendre à exploiter les algorithmes de Machine Learning
- Construire des modèles prédictifs à partir de vos données

Les prochaines sessions

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

Ils parlent de cette formation

'

Test témoignage Excel - Initiation

Marcel DUPONT

'

Test témoignage Excel - Initiation

Maxime DUPONT

'

Test témoignage Excel - Initiation Test

Axel ALEX

'

Test commentaire Excel - Initiation

Marcel DUPONT

'

Test témoignage Excel - Initiation

Marcel DUPONT

'

Test témoignage Excel - Initiation

Marcel DUPONT

'

Test témoignage Excel - Initiation

Marcel DUPONT

'

Test témoignage Excel - Initiation

Marcel DUPONT

'

Test témoignage Excel - Initiation

Marcel DUPONT