Programmer et automatiser des taches avec Python -Tosa

ALIASE IA Service & Formation

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Modalités

En ligne

Durée

Nous contacter

Prix

Nous contacter

Localité

En ligne

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

Objectifs

Maîtriser le langage Python et son application à l'Intelligence artificielle

Comprendre les bases et le fonctionnement des algorithmes du Machine Learning

Comprendre le Deep Learning et les différents réseaux de neurones

Comprendre les objectifs et les domaines d'application

Apprendre à développer en Python des modèles de prédiction réels, pour résoudre des problèmes concrets, en mettant en applications les algorithmes d'apprentissage automatique appropriés du Machine Learning

Maîtriser les librairies (Tensorflow, Keras, ...) en Deep Learning avec Python.

Apprendre à mener à bien un projet de mise en place d'algorithmes de Deep Learning avec Python

Comprendre l'IA générative et apprendre à créer des agents conversationnels en python basés sur GPT et autres LLMs

Comprendre la détection d'anomalies et apprendre à créer des modèles de détection d'anomalies

Apprendre à gérer un projet d'Intelligence artificielle (Bonnes pratiques)

Apprendre le déploiement des modèles IA sur des environnements cloud, et la conteneurisation avec Docker

Programme

- Introduction au langage python?

Structures de données et opérations courantes (conditions, boucles, fonctions, ...)

Modules et packages

Analyse des données avec les librairies Numpy & Pandas

Visualisation graphique des données avec la librairie Matplotlib

Programmation orientée objet

- Introduction à l'intelligence artificielle (Machine Learning et Deep Learning)

- Apprentissage supervisé

Régression

Classification : algorithme KNN (K-Nearest Neighbour)

Exercices : vision par ordinateur

- Apprentissage non supervisé

Regrouppement : algorithme K-Means Clustering

Exercices :

- Data Preprocessing

Préparation des données :
- Gestion des données manquantes
- Gestion des données aberrantes
- Encodage et Normalisation des données
- Selection des variables utiles

– Détection d'anomalies : algorithmes LOF (Local Outlier Factor) et IF (Isolation Forest)

Fonctionnement & Domaines d'application

Pratique :

- Réseaux de neurones & Deep Learning avec Tensorflow

Fonctionnement et Entraînement :

- Multi-couches (MLP)

- A convolution (CNN)

- Récurrents (RNN)

Domaines d'application

Fonctions d'activation

Les librairaiesTensorFlow & Keras

Pratique :

- Classification de données, Regression

- Reconnaissance d'images

- Fine-Tunning

- Time Series Forcasting

- NLP (Natural Language Processing)

- Gestion de projet de Machine Learning