Accueil > Domaines de formation > INFORMATIQUE > Big data | IA | Data science

Formation machine learning

Réf. BD-004 |

2 J

14 H

En présentiel

Niveau de difficulté :

TARIF : 1520 € HT

Vous êtes demandeur d'emploi ?
Nous connaissons des modalités de financement pour vous.
> Contactez-nous

PROCHAINES SESSIONS :
> Du 17.06.2024 au 18.06.2024

Vous souhaitez organiser cette formation à une date spécifique ?
Vous ne trouvez pas de date de session sur les semaines à venir ?

> Contactez-nous

Télécharger
le programme

Partager
le programme

Demander
d'autres dates

Demander un devis personnalisé

Je m'inscris >>> Voir plus de détails

Objectifs de la formation :

Préparer les données.
Mettre en œuvre des algorithmes d’apprentissage automatique.
Identifier les outils de visualisation des données.

Public :

Chefs de projet, développeurs, data scientists, et architectes.
Si vous êtes en situation de handicap, merci de nous contacter.

Prérequis :

Gérer les principes du BigData. Maîtriser la mise en œuvre des architectures techniques.

Délai d'accès :

5 à 10 jours avant la formation.
Nous contacter

Description
du programme

01. 1/ Acquérir les bases du Machine Learning : motivations par des cas d’usages

Identifier des « groupes » ayant des caractéristiques similaires : application au marketing (profils de consommateurs ou produits similaires)
Construire des systèmes de prédiction : prédire la consommation électrique, le prix d’une action, le comportement d’un consommateur, etc…
Reconnaissance automatique d’images et de sons
Systèmes de recommandation : Amazon, Netflix, publicité ciblée
Système d’aide à la décision

02. 2/ Inclure le Machine Learning dans la stratégie d’entreprise

Comment et pourquoi un changement de paradigme est-il en train de s’opérer dans les processus décisionnels de l’entreprise ? Comment le Machine Learning procure-t-il un nouvel avantage compétitif pour l’entreprise ?

03. Définir le Machine Learning

Histoire des statistiques et du Machine Learning
Raisonnement déductif et raisonnement inductif
Adaptabilité
Inférence
Généralisation
Les données d’entrée du Machine Learning : architecture, bases de données relationnelles, Big Data ?

04. Expliquer la corrélation, description et prédiction

Que signifie la corrélation de deux grandeurs? Quels sont les outils de mesures de corrélation ? Eviter la confusion entre corrélation et causalité
Exploiter la corrélation pour mieux décrire des faits, des phénomènes et pour prédire des résultats

05. La régression linéaire

La régression linéaire : un modèle historique et fondamental
Principes, algorithmes d’entrainement. Minimisation de la fonction de coût. Résolution exacte et résolution approchée
Application au cas monovarié
Généralisation au cas multivarié

06. Établir la régression logistique

De la régression linéaire à la régression logistique : différences et similarités
Principes et algorithmes d’entrainement

07. Expliquer les fonctions de coût

Pour la régression
Pour la classification

08. Distinguer l'apprentissage supervisé

Distinguer les variables « explicatives » et les variables « cibles »
Utiliser l’apprentissage supervisé

09. Définir l'apprentissage non supervisé

Différences entre l’apprentissage supervisé et non supervisé
Utiliser l’apprentissage non supervisé

10. Préciser l'apprentissage online

Intérêt de l’apprentissage online

11. Expliquer l'apprentissage par renforcement

Développer des systèmes qui agissent intelligemment en environnement inconnu ou partiellement connu

12. Retenir lLes langages et bibliothèques associés

Présentation des langages les plus utilisés par les data Scientist : Python et R
Les bibliothèques de Machine Learning et de data service : scikit learn, theano, PyBrain, caret, Vowpal Wabbit

Méthodes
pédagogiques

Exposés alternant théorie et pratique, études de cas, correction travaux pratiques et ateliers.

1 support de cours par personne.

Ressources
pédagogiques

1 Formateur. 1 ordinateur par personne, un vidéoprojecteur par salle de cours, un tableau numérique. Connexion Internet très haut débit.

évaluation
et sanction de fin
de parcours

Évaluation formative par le formateur pendant le programme. Évaluation des acquis en fin de session. Attestation de fin de formation délivrée. Auto-évaluation des acquis de la formation par les stagiaires

Formation machine learning

Objectifs de la formation :

Public :

Prérequis :

Délai d'accès :

Description
du programme

Méthodes
pédagogiques

Ressources
pédagogiques

évaluation
et sanction de fin
de parcours

Vos avis
sur la
formation

Autres
formations
pouvant
vous
interesser
ou récemment
consultées...

Formation machine learning

Objectifs de la formation :

Public :

Prérequis :

Délai d'accès :

Description du programme

Méthodespédagogiques

Ressourcespédagogiques

évaluationet sanction de finde parcours

Vos avissur laformation

Autresformationspouvantvousinteresserou récemment consultées...

Description
du programme

Méthodes
pédagogiques

Ressources
pédagogiques

évaluation
et sanction de fin
de parcours

Vos avis
sur la
formation

Autres
formations
pouvant
vous
interesser
ou récemment
consultées...