> Formations > Technologies numériques > Intelligence Artificielle, Big Data > IA, Machine Learning, analyse de données > Formation Machine learning, méthodes et solutions > Formations > Technologies numériques > Formation Machine learning, méthodes et solutions
Formation incontournable

Formation : Machine learning, méthodes et solutions

Machine learning, méthodes et solutions

Télécharger au format pdf Partager cette formation par e-mail 2


Le Machine Learning couvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement à partir de données, des modèles de prédiction et de prise de décision. Durant ce cours, vous mettrez en œuvre les différents algorithmes du domaine et appréhendez les bonnes pratiques d'un projet Machine Learning.


Inter
Intra
Sur mesure

Cours pratique en présentiel ou en classe à distance

Réf. MLB
Prix : 2860 € H.T.
  4j - 28h00
Pauses-café et
déjeuners offerts




Le Machine Learning couvre l'ensemble des méthodes et concepts qui permettent d'extraire automatiquement à partir de données, des modèles de prédiction et de prise de décision. Durant ce cours, vous mettrez en œuvre les différents algorithmes du domaine et appréhendez les bonnes pratiques d'un projet Machine Learning.

Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
  • Comprendre les différents modèles d'apprentissage
  • Modéliser un problème pratique sous forme abstraite
  • Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème
  • Appliquer et évaluer les méthodes identifiées sur un problème
  • Faire le lien entre les différentes techniques d'apprentissage

Public concerné
Ingénieurs/chefs de projet souhaitant considérer les techniques d'apprentissage automatique dans la résolution de problèmes industriels.

Prérequis
Connaissances de base en Python et en statistiques de base (ou connaissances équivalentes à celles apportées par le stage "Statistiques, maîtriser les fondamentaux" (Réf. STA)).
Vérifiez que vous avez les prérequis nécessaires pour profiter pleinement de cette formation en faisant  ce test.

Programme de la formation

Introduction au Machine Learning

  • Le Big Data et le Machine Learning.
  • Les algorithmes d'apprentissage supervisés, non supervisés et par renforcement.
  • Les étapes de construction d'un modèle prédictif.
  • Détecter les valeurs aberrantes et traiter les données manquantes.
  • Comment choisir l'algorithme et les variables de l'algorithme ?
Démonstration
Prise en main de l'environnement Spark avec Python à l'aide de Jupyter Notebook. Visualiser plusieurs exemples de modèles fournis.

Procédures d'évaluation de modèles

  • Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
  • Test de représentativité des données d'apprentissage.
  • Mesures de performance des modèles prédictifs.
  • Matrice de confusion, de coût et la courbe ROC et AUC.
Travaux pratiques
Evaluation et comparaison des différents algorithmes sur les modèles fournis.

Les modèles prédictifs, l'approche fréquentiste

  • Apprentissage statistique.
  • Conditionnement des données et réduction de dimension.
  • Machines à vecteurs supports et méthodes à noyaux.
  • Quantification vectorielle.
  • Réseaux de neurones et Deep Learning.
  • Ensemble learning et arbres de décision.
  • Les algorithmes de Bandits, optimisme face à l'incertitude.
Travaux pratiques
Mise en œuvre des familles d'algorithmes en utilisant des jeux de données variés.

Les modèles et apprentissages bayésiens

  • Principes d'inférence et d'apprentissage bayésiens.
  • Modèles graphiques : réseaux bayésiens, champs de Markov, inférence et apprentissage.
  • Méthodes bayésiennes : Naive Bayes, mélanges de gaussiennes, processus gaussiens.
  • Modèles markoviens : processus markoviens, chaînes de Markov, chaînes de Markov cachées, filtrage bayésien.
Travaux pratiques
Mise en œuvre des familles d'algorithmes en utilisant des jeux de données variés.

Machine Learning en production

  • Les spécificités liées au développement d'un modèle en environnement distribué.
  • Le déploiement Big Data avec Spark et la MLlib.
  • Le Cloud : Amazon, Microsoft Azure ML, IBM Bluemix...
  • La maintenance du modèle.
Travaux pratiques
Mise en production d'un modèle prédictif avec l'intégration dans des processus de batch et dans des flux de traitements.


Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Solutions de financement
Pour trouver la meilleure solution de financement adaptée à votre situation : contactez votre conseiller formation.
Il vous aidera à choisir parmi les solutions suivantes :
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.

Avis clients
4,2 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
LUDOVIC M.
05/03/24
4 / 5

Le formateur est très compétent, malheureusement le sujet du cours est beaucoup trop complexe pour être vu en seulement 4 jours. La partie explicatif et théorique sur le Machine Learning n’a vraiment commencée que à partir de la deuxième moitié du deuxième jour. Ce qui n’a laissé en réalité que peu de temps pour traitertt le sujet initial. Malheureusement, vu le temps de la formation nous n’avons pas beaucoup pratiqué de notre coté mais plutot analysé des note
LOUSADA KEVIN M.
05/03/24
4 / 5

Formateur qui métrise le sujet de la formation impéquablement. Le sujet en lui même était intéressant et montre que l’informatique est énorme. Mais malheureusement pour moi j’avais pas assez de know-how de base au sujet du ML et IA et des maths (surtout que j’ai tous oublié) pour pouvoir suivre comme il faut. Surtout pour comprendre l’algorithme "Réseau de neurones".
KÉVIN M.
05/03/24
3 / 5

Khalil est un très bon formateur. Très intéressant à écouter et très pédagogue. Je regrette malheureusement le temps passé sur des problématiques qui m’impactaient moins notamment la mise en place du cluster et spark et hadoop. J’aurais souhaité un stage 100% machine learning avec de la théorie indépendamment des outils de big data. De ce fait nous n’avons pas pu aborder les modèles bayesiens pourtant listés dans la formation.




Horaires
En présentiel, les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
En classe à distance, la formation démarre à partir de 9h.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 15h30 le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance