Machine Learning et Deep Learning avec Python

Data Value

Non finançable CPF

Tout public

Présentiel

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Etudiant

Prix

3900 €

Durée

Nous contacter

Localité

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels

Compétences visées

- Connaître le paysage des modèles de Machine Learning

- Connaître les librairies les plus courantes associées au Machine Learning et Deep Learning (Sciki-Learn, Tensorflow, Keras, statsmodels)

- Savoir mettre en place un projet Machine Learning

- Avoir des notions avancées sur l'évaluation de modèles

Programme

Programme

- Concepts du Machine Learning (1.5 jour)

Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle

Présentation des différents types d'apprentissage

Principe de la régression linéaire

Compromis Biais Variance

Modèles ensemblistes (Random Forest)

Modèles non linéaires (support vector Machine, Multi Layer Perceptron)

Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)

Bonnes pratiques en Data Science

- Prise en main de la librairie scikit-learn (2 jours)

Présentation de scikit-learn

Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)

Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)

Sélection des variables

Importance des variables (globale et locales avec les algorithmes LIME et SHAP)

Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé

- Introduction au Deep Learning (1.5 jour)

Zoologie des types de couches de neurones artificielles

Principes de rétropropagation et mise à jour des paramètres

Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d'image

Principe du transfer learning, knowledge distillation et entraînement à partir de 0

Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)

Envie d’en savoir plus sur cette formation ?

Documentez-vous sur la formation

Ces formations peuvent vous intéresser

DATA SCIENTIST | Titre RNCP niveau 7 - Bac +5 | Co-certifiée école MINES Paris - PSL

Avis du centre

DATASCIENTEST

Finançable CPF

À distance / En entreprise

Salarié en poste / Demandeur d'emploi / Entreprise

Les formations les plus recherchées

Lyon Toulouse Marseille Montpellier Paris Bordeaux Dijon Mâcon Nantes Rennes Informatique CPF Informatique en Ligne

Machine Learning et Deep Learning avec Python

DATA SCIENTIST | Titre RNCP niveau 7 - Bac +5 | Co-certifiée école MINES Paris - PSL

Data Management et Business Analytics - Master of Science

Administrateur Cybersécurité | Administrateur d'infrastructures sécurisées

Formation Microsoft Fabric

Docker Intensif

Bootcamp Data Analyst - formation certifiante RNCP

Les formations les plus recherchées