02 43 52 36 45  contact@cegefos.fr

image

durée formation certifiante Machine Learning

3 jours / 21 heures

Formation Machine Learning

Disponible en Inter et Intra entreprise.

formation certifiante CNCP CPF Machine Learning

Formation certifiante recensée à l'inventaire CNCP et éligible CPF

Module Machine Learning faisant parti de la

certification BIG DATA.

date prochaine session formation informatique et numérique

Prochaine dates et sessions

Pour connaitre les dates de la prochaine session dans la ville la plus proche,

CLIQUEZ ICI.

Machine Learning

Machine Learning est un type d'intelligence artificielle qui confère aux ordinateurs la capacité d’apprendre sans être explicitement programmés.
Il permet d’être autonome dans la mise en place de modèles prédictifs, de créer ces modèles dans votre domaine et de les utiliser en production, via des APIs reposant sur des solutions open source et/ou cloud.

Les objectifs

A l’issue de la formation « Machine Learning », les apprenants auront les capacités de :
  1. Acquérir les bases du Machine Learning
  2. Apprendre à créer les modèles et les mettre en production
  3. Formaliser son problème de Machine Learning
  4. Apprendre à Manipuler les données
  5. Apprendre à construire des modèles prédictifs
  6. Apprendre à utiliser ces modèles en production
  7. Apprendre à évaluer les performances

Le public

La formation certifiante « Machine Learning », s’adresse à tout public salarié, demandeur d’emploi ou en reconversion professionnelle et souhaitant acquérir des compétences en BIG DATA, notamment:
  1. Président, Directeurs Généraux,
  2. Directeurs et Responsables R&D, Directeurs marketing,
  3. Directeurs et Responsables Innovation, Directeurs des Systèmes d'informations
  4. Directeurs de la stratégie, Directeurs et Responsables Industriel, Chercheurs….
  5. Acteurs de l’écosystème des objets connectés issus de l’automobile, l’aéronautique, la santé, la chimie, l’énergie, du numérique, de la recherche
 

Les prérequis

Connaissances en langage de programmation (Python de préférence)
Connaissance basique d’algèbre et de calcul.

Les utilitaires
Pour le bon déroulement de la formation Machine Learning, voici une liste non exhaustive des outils indispensables :
  1. Néant pour ce module
Programme détaillé
Jour 1

Faire de l’apprentissage automatique via des outils Open Source.   

Présentation du Machine Learning et de ses possibilités 

  1. Les fondamentaux
  2. Apprendre à formaliser les problématiques
  3. Exemple du Data Science en entreprise.

Créer un premier Problème Prédictif 

  1. Techniques d’apprentissage(les plus proches voisins, modèles Linéaire, arbre de
    décision, …)
  2. Révision des bases de la programmation
  3. Apprentissage d’un modèle avec librairie Open Source .

Préparation des données afin de les utiliser dans un système d’apprentissage    

  1. Présentation du feature Engineering et les limites
  2. Technique d’exploration de données
  3. Procédure de Prétraitement et de nettoyage.
Jour 2

Apprendre à évaluer et déployer des modèles prédictifs.   

Apprendre à évaluer des modèles prédictifs 

  1. Création des jeux d’apprentissage, mise en place de leur validation et test.
  2. Tester la représentativité des données
  3. Mesure de performance des modèles prédictifs
  4. Apprendre à faire une matrice de confusion et de coût
  5. Apprendre à Sélectionner les modèles
  6. Déterminer l’exactitude des prédictions avec les ensembles de modèles
  7. Apprendre à créer des arbres de décisions.

Apprendre à déployer  

  1. Déterminer l’importance des APIs en production.
  2. Vue d’ensemble des solutions Open Source
  3. Apprendre à créer des APIs
  4. Apprendre à gérer l’authentification
  5. Savoir utiliser Amazon Machine Learning et BigML .

Utilisation du ML sur du texte    

  1. Conseils de prétraitement des données textuelles
  2. Mise en pratique avec la librairie open source NLTK.

 

Jour 3

Aller plus loin avec le Machine Learning.   

Techniques avancées 

  1. Principe du Gradient Boosting et utilisation de la librairie open source XGBoost
  2. Pipelines de Machine learning: enrichissement et sélection de features, modélisation
  3. Techniques d'optimisation des paramètres de pipelines de Machine learning: grid search, random search et utilisation de la librairie open source hyperopt
  4. Autres problèmes d'apprentissage
  5. Réseaux de neurones et Deep Learning
  6. Développer son propre cas d’usage.

Besoin de devis/ Renseignements

Veuillez remplir le formulaire de contact

Merci de remplir le formulaire de contact. Un de nos conseillers traitera votre demande rapidement.

Please type your full name.
Invalid email address.
Veuillez saisir votre numéro de téléphone.
Please tell us how big is your company.
Entrer le nom de votre société si vous êtes salarié.
Please tell us how big is your company.
Entrée non valide
Robot Actualisation Entrée non valide