Objectifs

• Comprendre le Machine Learning et l’Intelligence Artificielle
• Catégoriser les différentes approches : clustering, classification, régression…
• Choisir, structurer et adapter les données pertinentes pour des résultats pertinents
• Apprendre le langage python et ses librairies scientifiques (scikit-learn, pandas)
• Mettre en œuvre des cas concrets (prédiction, clustering)
• Mesurer la pertinence des modèles mis en œuvre
• Traiter des gros volumes de données en parallélisant les traitements : Spark et Dask
• Déployer un modèle en production
• Introduction au Deep Learning

Programme

JOUR 1 Les bases du machine learning •      Quelques exemples en guise d’introduction •      Généraliser : un principe fondateur du Machine Learning pour permettre la prédiction et la segmentation •      Algorithmes supervisés et non supervisés •      Appropriation du vocabulaire du Data Scientist Premiers pas •      Collecter et stocker les données •      Analyser, comprendre, nettoyer et structurer les données : Le Feature Engineering •      Apprentissage et création d’un modèle •      Evaluation du modèle •      Amélioration du modèle

JOUR 2

Le langage python •      La syntaxe du langage •      Les outils de développement : Jupyter notebook •      Les librairies du data scientist : Pandas, Scikit-learn •      Analyser et comprendre les données •      Matplotlib et Seaborn : Des librairies de data visualisation pour Python   Choisir les algorithmes de machine learning •      Comprendre les enjeux •      Tour d’horizon des principaux algorithmes •      Classification : k-Nearest Neighbors (k-NN), •      Arbre de décision, Random Forest, XGBoost •      Régression : Régression logistique •      Clustering : K-Means, DBScan •      Les différentes méthodes de scoring   JOUR 3 Concepts avancés •      Validation croisée •      Ensemble Machine Learning : cumulez les algorithmes pour une meilleure précision •      Automatiser les manipulations de données avec un pipeline   Traiter les données en parallèle •      Pourquoi paralléliser ? •      Adapter les algorithmes •      Une complexité complémentaire •      Les frameworks de distribution à disposition : Spark et Dask   JOUR 4 Déployer en production •      Intégrer un pipeline à une chaine de déploiement automatisée (continuous delivery) •      Packager un modèle : Predicive Model Markup Language •      Créer un endpoint REST avec python Flask •      Déployer dans le cloud   Le Deep Learning •      Présentation générale : les réseaux de neurones •      Les réseaux convolutionnels : Analyse d’images •      Les réseaux récurrents •      Comprendre par l’exemple : Pytorch & Keras

Avis

"La clarté de la présentation, les sujets traités sont un vrai plus dans cette formation" Jimmy Delas (Lead Developper @Ector)