Trouver la formation qui vous correspond.

Plus de 500 formations dans les domaines informatique, bureautique et développement professionnel
Generic selectors
Exact matches only
Search in title
Search in content
Search in posts
Search in pages
Filter by Categories
Actus
Financement
Formations

Ex. : ExcelWordPhotoshopJavaAgile

Centre de formation Informatique et Ressources Humaines

Trouver la formation qui vous correspond.

Plus de 500 formations dans les domaines informatique, bureautique et développement professionnel
Generic selectors
Exact matches only
Search in title
Search in content
Search in posts
Search in pages
Filter by Categories
Actus
Financement
Formations

Ex. : ExcelWordPhotoshopJavaAgile

Python – Machine Learning

4.8/5
THDI2073

3 jours (21 heures) – Initiation / Fondamentaux

3 jours (21 heures)
Initiation / Fondamentaux

Python – Machine Learning

Domaine : Informatique

Présentiel
Présentiel
Online
Distanciel
Coût
2175€ HT

Objectifs pédagogiques

  • Identifier l’apport du Machine Learning et ses limites
  • Créer et entraîner un modèle prédictif en Python
  • Concevoir l’optimisation de la qualité des modèles et mesurer leurs performances

Niveau requis

  • Garantir pratiquer un langage de programmation, idéalement Python

Public concerné

  • Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien, et toute personne travaillant dans la data et sachant manipuler du code informatique

Moyens pédagogiques et techniques

Salles de formation (accessibles et adaptables aux besoins des personnes en situation de handicap) équipée d’un ordinateur de dernière génération par stagiaire, réseau haut débit et vidéo-projection
UHD Documents supports de formation projetés Apports théoriques, étude de cas concrets et exercices
Mise à disposition en ligne de documents supports à la suite de la formation

Dispositif de suivi de l'éxécution de l'évaluation des résultats de la formation

Feuilles d’émargement (signature électronique privilégiée)
Evaluations formatives et des acquis sous forme de questions orales et/ou écrites (QCM) et/ou mises en situation
Questionnaires de satisfaction (enquête électronique privilégiée)

Dates de formations

  • Sur demande à Toulouse
  • Sur demande à Pau

Formateur

Les formateurs intervenants pour Themanis sont qualifiés par notre Responsable Technique Olivier Astre pour les formations informatiques et bureautiques et par Didier Payen pour les formations management.

Programme de formation

3 jours (21 heures)

Initiation / Fondamentaux
Apprenez sur des cas concrets à créer, optimiser, et déployer des modèles prédictifs de Machine Learning en utilisant Python et la librairie scikit-learn.
Mise à jour le 12/02/2021

Introduction au Machine Learning

  • Principe général et concepts basiques
  • Exemples de cas d’usage dans différents secteurs : industrie, marketing, IoT, web, énergie…
  • Cadre d’utilisation : possibilités et limitations
  • Bien formuler la problématique : comment passer d’un problème métier à un problème Machine Learning

Ecosystème Python

  • Python scientifique : numpy, pandas, matplotlib, scipy
  • La librairie Scikit-learn
  • Notebook Jupyter, Anaconda

Algorithmes de Machine Learning, première partie : les bases

  • Régression linéaire et régression logistique
  • K plus proches voisins : KNN
  • Arbres de décision et Random Forests

Critères d’évaluation

  • Régression : MAE, MSE, RMSLE, R²…
  • Classification : accuracy, precision, recall, F1 score…
  • Procédures d’évaluation : train-test split, cross-validation, validation set

Optimisation des hyper-paramètres

  • Gridsearch, randomsearch
  • Soft optimisation et hard optimisation

Méthodologie et bonnes pratiques

  • Déroulé d’un projet de data science : une procédure itérative
  • Workflow complet du projet
  • Pipeline de transformation
  • Ecueils à éviter et comment s’en prémunir : surrapprentissage (overfitting) et fuite de données

Data prepration et feature extraction

  • Traitement des données aberrantes et manquantes
  • Normalisation et standardisation
  • Combinaison de features

Mise en production

  • Déployer un modèle en production via une API
  • Monitoring des modèles et mise à jour des modèles

Algorithmes de Machine Learning, deuxième partie : les autres catégories

  • Boosting et gradient boosting
  • Clustering et détection d’anomalie
  • Réseaux de neurones et Deep Learning

Adapter selon le type de données

  • Comment traiter du texte
  • Comment traiter des séries temporelles
Apprenez sur des cas concrets à créer, optimiser, et déployer des modèles prédictifs de Machine Learning en utilisant Python et la librairie scikit-learn.
Mise à jour le 12/02/2021

Qualité et certification

Rejoignez-nous