Description
Ce programme de formation en machine learning vise à fournir une compréhension approfondie des concepts et techniques fondamentaux, ainsi que des applications pratiques. Il aborde les différences entre machine learning supervisé et non supervisé, les algorithmes courants tels que la régression, les arbres de décision et les forêts aléatoires, ainsi que l'utilisation de Python et de bibliothèques pertinentes. Les participants apprendront à évaluer et à améliorer la qualité des modèles, à mener des projets de machine learning et à éviter les erreurs fréquentes. Ce programme s'adresse aux professionnels souhaitant approfondir
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
Récapitulatif
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
Prérequis
Connaitre un langage de programmation, idéalement python
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
- 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 supervisés
- Régression linéaire et régression logistique
- K plus proches voisins : KNN
- Arbres de décision
- Forêts aléatoires
Quantifier la qualité d'un modèle
- 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…
Améliorer la qualité des modèles
- 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 supervisés
- K-Means
- DBScan
- Isolation Forests