Aperçu

Cette formation d’introduction au machine learning permet aux participants de comprendre et de programmer une gamme de modèles pour l’apprentissage supervisé, non supervisé et par renforcement. Plusieurs études de cas métiers sont utilisées pour appliquer le machine learning et aider les participants à identifier des cas d’usage dans leur propre environnement professionnel. La partie pratique de la formation utilise des bibliothèques Python.

Public Cible

Ce cours est destiné aux professionnels de l'informatique ou du business qui recherchent une introduction pratique et complète à l’IA, machine learning et à la science des données.

Objectifs

• Comprendre les concepts fondamentaux de l’IA, de machine learning et de la science des données.
• Découvrir les principaux modèles ed machine learning et savoir identifier le modèle le plus adapté à chaque cas métier.
• Se familiariser avec les bibliothèques Python importantes pour le machine learning.

Durée

2 ou 3 jours.

Format

Comme nos cours comprennent des exercices pratiques, nous limitons le nombre de participants à 10. Les cours peuvent être donnés en bloc ou répartis sur plusieurs sessions, selon les souhaits du client. Les cours sont dispensés sur site, bien que nous organisions occasionnellement des sessions dans nos locaux.

Les cours peuvent être en anglais ou en français.

Pour toute information concernant les tarifs, les dates et les disponibilités, n'hésitez pas à nous contacter.

Programme

• Introduction et concepts clés
• Apprentissage supervisé, non supervisé, par renforcement, deep learning, classification vs régression.
• Exercice : introduction aux bibliothèques Python de base (Numpy, Matplotlib, Pandas, ...)
• Apprentissage Supervisé
• Modèles
• k-NN, régression linéaire et polynomiale, régression logistique, Naive Bayes Gaussien, ...
• Deep Learning - Réseaux de Neurones Artificiels
• Exercice sur des cas d’usage : maintenance prédictive, customer churn, ...
• Projets d’Apprentissage Automatique
• Nettoyage des données, normalisation, encodage des valeurs, ...
• Réduction de dimension : analyse en composantes principales, analyse discriminante linéaire
• Sur-apprentissage vs sous-apprentissage
• Risques
• Apprentissage Non Supervisé
• Modèles
• Clustering (k-means), règles d’association
• Exercice sur des cas d’usage : recommandations de produits, insights clients, ...
• Apprentissage par Renforcement
• Modèles
• Thompson Sampling, Q-learning, deep Q-learning, ...
• Exercice : cas d’usage pour chaque modèle
• Validation des Modèles
• Validation croisée K-fold, GridSearch.

Contact

Contactez-nous pour plus de détails.