.png&w=3840&q=75)
Nous utilisons des cookies pour vous fournir l'ensemble de nos services, notamment la recherche et les alertes. En acceptant, vous consentez à notre utilisation de ces cookies.
Choisir mes préférences
.png&w=256&q=75)
Machine learning - niveau avancé : maîtrise du machine learning et de python
Objectifs
Programme
- Comprendre et maîtriser les concepts fondamentaux du Machine Learning et de l'apprentissage supervisé et non supervisé.
- Savoir utiliser efficacement le langage Python et la bibliothèque Scikit-Learn pour développer et entraîner des modèles prédictifs à partir de données complexes.
- Apprendre à utiliser les outils de clustering pour l'analyse des données et pour la création de modèles de Machine Learning.
- Maîtriser le processus de mise en production des modèles de Machine Learning, y compris le suivi et la gestion des expériences avec MLflow.
- Acquérir des compétences pour créer des workflows automatisés pour le déploiement de modèles en utilisant Prefect.
- Être capable de concevoir et de mettre en place une API performante avec FastAPI pour faciliter l'utilisation des modèles de Machine Learning.
- Apprendre à déployer des modèles de Machine Learning sur des plateformes cloud comme Google Cloud Run pour une accessibilité et une utilisation optimales.
1. FONDAMENTAUX DU MACHINE LEARNING AVEC PYTHON
- Introduction au Machine Learning : définition, enjeux et applications
- Comprendre les concepts de base du Machine Learning : apprentissage supervisé et non supervisé, régression, classification
- Présentation de Python comme outil de prédilection pour le Machine Learning : avantages, bibliothèques et frameworks
- Introduction à Scikit-Learn : présentation de la bibliothèque, installation et utilisation
- Premiers pas avec Scikit-Learn : création d'un modèle de Machine Learning simple (ex: Régression linéaire)
2. ALGORITHMES DE MACHINE LEARNING
- Comprendre et implémenter les différents algorithmes de Machine Learning : régression linéaire et logistique, arbres de décision, machines à vecteur de support, méthodes de classification Naïve Bayes, K-Nearest Neighbors
- Pratique : mise en œuvre des différents algorithmes sur des datasets de référence
- Comprendre l'importance de la validation de modèle et l'optimisation des hyperparamètres
- Pratique : utilisation de techniques de validation croisée et de recherche d'hyperparamètres avec Scikit-Learn
3. DEEP LEARNING ET RÉSEAUX DE NEURONES
- Introduction au Deep Learning : différences et similarités avec le Machine Learning, applications typiques
- Comprendre les réseaux de neurones : architecture, fonctionnement, types de réseaux
- Introduction à des bibliothèques de Deep Learning : TensorFlow et PyTorch
- Pratique : création d'un réseau de neurones simple avec TensorFlow
4. APPRENTISSAGE NON SUPERVISÉ ET RÉDUCTION DE DIMENSION
- Introduction à l'apprentissage non supervisé : clustering, détection d'anomalies
- Pratique : mise en œuvre d'algorithmes de clustering avec Scikit-Learn
- Comprendre la réduction de dimension : PCA, t-SNE
- Pratique : utilisation de techniques de réduction de dimension sur des jeux de données de grande dimension
5. TRAITEMENT DE DONNÉES TEXTUELLES
- Introduction au traitement du langage naturel (NLP) : définitions, applications
- Pratique : utilisation de techniques de NLP pour l'extraction de connaissances textuelles
- Utilisation de bibliothèques spécialisées pour le NLP : NLTK, spaCy
6. TRAVAILLER AVEC LE CLOUD ET LE BIG DATA
- Introduction au Cloud et au Big Data : définitions, enjeux
- Présentation des outils cloud pour le Machine Learning
- Pratique : utilisation d'un outil cloud pour construire un modèle de Machine Learning
7. GESTION ET DÉPLOIEMENT DE MODÈLES
- Comprendre l'importance de la gestion des versions de modèles et du suivi des expériences
- Présentation de MLflow : fonctionnalités, installation, utilisation
- Pratique : utilisation de MLflow pour suivre une expérience de Machine Learning
- Comprendre l'importance de l'orchestration des workflows ML
- Présentation de Prefect : fonctionnalités, installation, utilisation
- Pratique : utilisation de Prefect pour orchestrer un workflow ML
8. CONSTRUCTION D'APIs POUR MODÈLES ML
- Comprendre l'importance de la conception d'APIs pour modèles ML
- Présentation de FastAPI : fonctionnalités, installation, utilisation
- Pratique : création d'une API pour un modèle de Machine Learning avec FastAPI
9. CAS PRATIQUE
- Développer un projet complet d'application de Machine Learning
Public visé
Cette formation s'adresse principalement aux professionnels qui utilisent Python pour créer des modèles prédictifs, indépendamment de leur domaine d'application.
Elle est particulièrement pertinente pour les ingénieurs en Machine Learning, les data scientists, les analystes de données, ainsi que les chercheurs dans les domaines scientifiques et médicaux qui souhaitent optimiser l'utilisation de leurs modèles prédictifs.
Les professionnels du secteur bancaire et de la sécurité, qui cherchent à renforcer la précision et l'efficacité de leurs systèmes prédictifs, trouveront également un grand intérêt à suivre ce cours.
Nous ciblons spécifiquement les participants ayant déjà une expérience en machine learning et qui aspirent à perfectionner leurs compétences, notamment en matière de déploiement de modèles en production. Cette formation offre une excellente occasion d'approfondir la maîtrise des outils et concepts nécessaires pour mener à bien cette tâche.
Prérequis
Compétences en développement : Vous devez posséder des compétences de base en développement logiciel pour comprendre et appliquer les concepts de Machine Learning.
Connaissances en Python : Pour suivre cette formation avec succès, vous devez avoir des bases solides en Python..
Bases en Machine Learning : Il est recommandé d'avoir une connaissance préalable du Machine Learning pour pouvoir suivre cette formation avec aisance..
Être muni d'un ordinateur relié à Internet, possédant une caméra, un micro et un haut parleur..
Méthodes pédagogiques
L’approche pédagogique a été construite sur l’interactivité et la personnalisation : Présentation illustrée et animée par le Formateur Expert, partage d’expériences, études de cas, mise en situation réelle.
Tous les supports sont fournis par support papier, mail ou clé USB à chaque stagiaire.
Méthodologie pédagogique employée :
Chaque formation en présentiel ou en distanciel est animée par un Formateur Expert Métier sélectionné selon ses compétences et expériences professionnelles. Apport d’expertise du Formateur, quiz en début et fin de formation, cas pratiques, échanges d’expérience. Accès en ligne au support de formation.
Modalités d'évaluation
Méthodes utilisées et évaluation :
Evaluation et positionnement lors de la définition du projet pédagogique avec le(s) stagiaire(s). Un QCM est donné aux stagiaires le dernier jour de la formation pour valider leurs apprentissages. Une correction collective est effectuée par le Formateur. Une évaluation de fin de stage en direct est organisée entre le Formateur et le(s) stagiaire(s) pour recueillir et prendre en compte leurs appréciations. Une attestation de fin de stage est remise aux stagiaires.
Choisissez une date pour pouvoir réserver !