Projet de Machine Learning Applique au Cour de Metier de l-Entreprise

ASphere

Non finançable CPF

Salarie / Entreprise

En ligne

Présentiel

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Prix

140000 €

Durée

Nous contacter

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 :

• Analyser les besoins et définir les objectifs d'un projet de Machine Learning en entreprise.

• Collecter, préparer et traiter les données nécessaires pour le projet.

• Construire et entraîner un modèle de Machine Learning adapté aux besoins de l'entreprise.

• Évaluer et ajuster le modèle pour optimiser ses performances.

Programme

JOUR 1 - ANALYSE DES BESOINS ET PRÉPARATION DES DONNÉES

• Analyse des besoins et objectifs du projet

• Comprendre le contexte de l'entreprise et ses besoins spécifiques.

• Identification des objectifs du projet de Machine Learning.

• Définir les indicateurs de performance (KPI) et les résultats attendus

• Collecte et préparation des données

• Identification des sources de données pertinentes.

• Techniques de collecte des données.

• Nettoyage et prétraitement des données (gestion des valeurs manquantes, normalisation, etc...).

• Exploration et visualisation des données pour des insights préliminaires.

JOUR 2 : CONSTRUCTION ET ÉVALUATION DU MODÈLE DE MACHINE LEARNING

• Construction du modèle de Machine Learning Choix des algorithmes de Machine Learning appropriés.

• Construction et entraînement du modèle.

• Utilisation des frameworks de Machine Learning (par exemple, scikit-learn, TensorFlow, PyTorch).

• Évaluation et ajustement du modèle

• Évaluation des performances du modèle à l'aide des métriques appropriées.

• Techniques d'ajustement et d'optimisation des hyperparamètres.

• Validation croisée et gestion du surapprentissage.

• Déploiement et intégration du modèle dans l'environnement de production de l'entreprise.

• Étude de cas pratique : mise en œuvre complète d'un projet de Machine Learning.