FORMATION MACHINE LEARNING

Le cours vous enseigne l'utilisation de Python pour la Data Science : la préparation des données, l'entraînement et la mise à disposition du modèle et des résultats. Les participants apprennent à utiliser divers outils et bibliothèques Python pour effectuer des tâches courantes de data science et de machine learning.

• Comprendre les concepts de l’apprentissage automatique
• Posséder une bonne vision de ses domaines d’applications industrielles et professionnelles
• Comprendre le fonctionnement des diffétents algorithmes et leurs limites
• Savoir utiliser scikit-learn pour les algorithmes standards
• Comprendre comment fonctionne un réseau de neurones
• Avoir une vision globale des principaux réseaux de neurones
• Savoir mettre en oeuvre un réseau de neurones avec PyTorch
• Utiliser le machine learning pour différents besoins: images, textes, séries temporelles…

Pratique régulière du langage Python et si possible des librairies numpy, pandas et matplotlib.

Développeurs Python, ingénieurs et data scientists en quête de solutions à leurs problèmes complexes.

1 Les concepts de l’apprentissage automatique - 1 jour
   • Historique de l’intelligence artificielle et de ses différents algorithmes
      – Algorithmes de graphes, systèmes experts, logique floue, algorithmes génétiques, machine
          learning…
      – Rétrospective des progrès de l’intelligence artificielle
      – Applications industrielles
   • Qu’est-ce que l’apprentissage automatique ?
      – Les principaux types d’apprentissages : supervisé, non supervisé, renforcement, transfert
      – Les principaux algorithmes : des régressions linéaires aux réseaux de neurones
   • Panorama des différentes librairies disponibles en Python
   • Découverte de la librairie scikit-learn
     – Présentation des concepts
     – Mise en oeuvre des principaux algorithmes sur des jeux de données simples pour toucher
         du doigt leurs concepts

2 Le plus important ce sont les données : 1 jour
   • Comprendre l’importance de posséder de bons jeux de données
   • Comment préparer ses données pour l’apprentissage automatique: données numériques,
      textes, images…
   • Apprentissage supervisé et non supervisé sur de véritables jeux de données avec scikit-learn

3 Les réseaux de neurones - 0,5 jour
   • Comprendre les concepts des réseaux de neurones
   • Panorama des différents types de réseaux de neurones
   • Les différentes fonctions d’activation
   • Présentation de PyTorch et de son écosystème
   • Développer un premier réseau de neurones pour la reconnaissance d’images

4 Mise en oeuvre des principaux réseaux de neurones : 2 jours
   • Le tout premier réseau de neurones : Perceptron - PER57
   • Réductions linéraires, gradient descent, régression polynomiale, logistique
   • Régressions et classifications avec les DNN (réseaux denses)
   • Les réseaux de convolution pour la classification d’images
   • Analyse de sentiments et vectorisation de mots
   • Analyse de séries temporelles avec les réseaux récurrents (RNN)
   • Apprentissage non supervisé avec les autoencoder
   • Auto-encodeur variationnel

5 Les problèmes fréquents
   • Comprendre et gérer le sous et sur apprentissage
   • Les problèmes inhérents au traitement de la langue naturelle

Délai d'accès : 10 jours

Méthodes mobilisées : En distanciel [...]

Modalités d'évaluation : Exercices, Quiz et Applications.

Accessibilité : Nos formations en distanciel [...]

Horaires de formation : de 9h à 12h et de 14h à 18h.

Adresse d'accueil en présentiel : Village 5 - 50 place de l'Ellipse. 92000 La Défense.

Téléphone : 01 88 32 08 52

Horaire : Lundi - Vendredi 9.00 - 20.00