Description
Cette formation en data science vise à initier les participants aux concepts fondamentaux tels que la data science, Python, le machine learning et le deep learning. Elle couvre des sujets essentiels comme les types de données, la régression, les réseaux neuronaux et l'utilisation des bibliothèques comme Numpy, Pandas et TensorFlow. Destinée aux professionnels souhaitant acquérir des compétences en analyse de données et en apprentissage automatique, cette formation propose des modules pratiques pour développer des modèles prédictifs et comprendre les enjeux du traitement de données massives.
Objectifs
- Savoir mettre en place une stratégie de Machine Learning en Python avec TensorFlow
- Créer le modèle le plus satisfaisant possible en le mesurant et en affichant les résultats
- Utiliser des algorithmes performants
Récapitulatif
Public
Développeur, chef de projets proche du développement, ingénieur scientifique sachant coder
Prérequis
Maîtriser les concepts de statistiques et de Machine Learning
Méthodes et modalités pédagogiques
Formation réalisée en Présentiel, Distanciel ou Dual-Learning selon la formule retenue.
Moyens et supports pédagogiques
Mise à disposition d'un poste de travail sur nos formations en Présentiel.
Mise à disposition de nos environnements de visio sur nos formations en Distanciel
Remise d'une documentation pédagogique numérique pendant la formation
La formation est constituée d'apports théoriques, d'exercices pratiques et de réflexions
Dans le cas d'une formation sur site Entreprise, le client s'engage à avoir toutes les ressources pédagogiques nécessaires (salle, équipements, accès internet, TV ou Paperboard...) au bon déroulement de l'action de formation conformément aux prérequis indiqués dans le programme de formation
Modalités de suivi et d'évaluations
Auto-positionnement des stagiaires avant la formation
Émargement des stagiaires et formateur par 1/2 journée
Exercices de mise en pratique ou quiz de connaissances tout au long de la formation permettant de mesurer la progression des stagiaires
Auto-évaluation des acquis de la formation par les stagiaires
Questionnaire de satisfaction à chaud et à froid à l'issue de la formation
Programme détaillé
Introduction aux data sciences
- Qu'est-ce que la data science ?
- Qu'est-ce que Python ?
- Qu'est-ce que le Machine Learning ?
- qu'est-ce que le Deep Learning ?
- Apprentissage supervisé vs non supervisé ?
- Les DataLake, DataMart et DataWharehouse
Rappels de Python pour la data science
- Les bases de Python
- Les listes
- Les tuples
- Les dictionnaires
- Les modules et packages
- L'orienté objet
- Le module math
- Les expressions lambda
- Map, reduce et filter
- Les générateurs
- Anaconda
Pip
Apprentissage automatique
- Mise en place d'une machine learning supervisé
- Qu'est-ce qu'un modèle et un dataset ?
- Quest-ce qu'une régression ?
- Les différents types de régression
- La régression linéaire
- Gestion du risque et des erreurs
- Quartet d'Anscombe
- Trouver le bon modèle
- La classification
- Apprentissage
- No Free Lunch
Numpy
- Les tableaux et les matrices
- L'algèbre linéaire avec Numpy
- Matplotlib
TensorFlow
- Installation
- Le machine learning par GPU
- L'API Tensorflow
Machine learning avec TensorFlow
- Les tensors
- Le typage et les shapes Tensor
- Le machine Learning TensorFlow
- La régression linéaire
- La création du modèle
- L'échantillonnage
- La randomisation
- L'apprentissage avec fit
- La prédiction du modèle
Pandas
- L'analyse des données avec Pandas
- Les DataFrames
- La théorie ensembliste avec Pandas
- L'importation des données CSV
- L'importation de données SQL
- Pandas et TensorFlow
Les réseaux neuronaux
- Le perceptron
- Les réseaux neuronaux
- Les réseaux pythons
- Les fonctions d'activation
- La front propagation
- La back propagation
- Le gradient neuronal
- La deep learning
Les réseaux neuronaux avec TensorFlow
- Les modèles TensorFlow
- Les limitations
- Sérialisation du modèle avec Tensor
Le deep learning avec Keras
- Introduction à Keras
- Keras et l'orienté objet
- Les réseaux neuronaux avec Keras
- Le paramétrage de Keras
- Le deep learning supervisé type Alpha Go
- Le deep learning non supervisé type Alpha 0
- Sérialisation du modèle avec Keras
- Portabilité de Keras
- Dimensionnement du réseau neuronal
TensorFlow GPU
Cuda
- Principe de fonctionnement d'un GPU
- Application des propagations sur GPU
- Paramétrage GPU
- Mise en place d'une ferme de GPU
- Dimensionnement du réseau neuronal GPU