Machine Learning avec Python

ASphere

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Modalités

En ligne En présentiel

Durée

Nous contacter

Prix

210000 €

Localité

En ligne

Vous pouvez suivre cette formation depuis chez vous ou depuis n’importe quel endroit à distance.

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

À la fin de la formation de 3 jours, vous serez capable de :

• Comprendre le concept de Machine Learning.

• Prétraiter des données efficacement.

• Implémenter et utiliser des modèles de Machine Learning supervisés et non supervisés.

• Évaluer et optimiser des modèles de Machine Learning.

• Appliquer les techniques de Machine Learning à des projets pratiques et des applications concrètes.

Programme

JOUR 1: INTRODUCTION AU MACHINE LEARNING ET PRÉTRAITEMENT DES DONNÉES

• Aperçu du Machine Learning

• Définition et importance

• Types de Machine Learning: Apprentissage supervisé, non supervisé et par renforcement

• Contexte historique et tendances actuelles

• Applications du Machine Learning dans divers secteurs

• Importance du prétraitement des données

• Gestion des données manquantes

• Normalisation et mise à l'échelle des données

• Sélection et extraction des caractéristiques

• Division des données : Ensembles d'entraînement et de test

• Exercices pratiques avec les bibliothèques Python (numpy, pandas, scikit-learn)

JOUR 2 : MODÈLES DE MACHINE LEARNING SUPERVISES ET NON SUPERVISÉS

Introduction à l'apprentissage supervisé

• Algorithmes clés: Régression linéaire, régression logistique, arbres de décision, forêts aléatoires, machines à vecteurs de support (SVM), k-Nearest Neighbors (k-NN)

• Entraînement et validation des modèles

• Métriques de performance : Précision, rappel, F1 Score, ROC AUC

• Exercices pratiques : Implémentation de modèles supervisés avec Python (scikit-learn)

• Introduction à l'apprentissage non supervisé

• Algorithmes clés : k-means clustering, clustering hiérarchique, analyse en composantes principales (PCA), t-Distributed Stochastic Neighbor Embedding (t-SNE)

• Entraînement et validation des modèles

• Applications pratiques de l'apprentissage non supervisé

• Exercices pratiques : Implémentation de modèles non supervisés avec Python (scikit- learn)

JOUR 3 : PROGRAMMATION FONCTIONNELLE, PROJETS PRATIQUES ET BONNES PRATIQUES