> Formations > Technologies numériques > Big Data, Intelligence Artificielle > IA, Machine Learning, analyse de données > Formation Parcours certifiant Big data : Machine learning et deep learning avec Python > Formations > Technologies numériques > Formation Parcours certifiant Big data : Machine learning et deep learning avec Python
Formation éligible au CPF

Formation : Parcours certifiant Big data : Machine learning et deep learning avec Python

Bloc de compétences d'un Titre RNCP

Parcours certifiant Big data : Machine learning et deep learning avec Python

Bloc de compétences d'un Titre RNCP
Télécharger au format pdf Partager cette formation par e-mail 2

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

Ce parcours de formation représente le cinquième bloc de compétences du titre RNCP de niveau 7 (Bac +5) "Expert en informatique et systèmes d’information" reconnu par l'État. L'ensemble de ces formations vous permettra de comprendre la modélisation statistique, les méthodes et solutions de machine learning et de deep learning.


Inter
Intra
Sur mesure

Cours pratique en présentiel

Réf. XYO
Prix : 6800 € H.T.
  17j - 119h
Pauses-café et
déjeuners offerts




Ce parcours de formation représente le cinquième bloc de compétences du titre RNCP de niveau 7 (Bac +5) "Expert en informatique et systèmes d’information" reconnu par l'État. L'ensemble de ces formations vous permettra de comprendre la modélisation statistique, les méthodes et solutions de machine learning et de deep learning.

Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
  • Comprendre la modélisation statistique
  • Maîtriser le big data analytics avec Python
  • Comprendre les méthodes et solutions du machine learning
  • Mettre en place le deep learning
  • Comprendre les méthodes de la statistique textuelle

Public concerné
Toute personne souhaitant apprendre la sécurité des systèmes d’information.

Prérequis
Être titulaire d'un diplôme de niveau 6 (Bac +3) ou d'un niveau 5 (BAC+2) et 3 ans d'expérience, sous réserve de la validation du dossier VAP. Connaissances de base en Python et en statistiques.

Programme de la formation

Démarche et modélisation d'une analyse statistique

  • Statistique descriptive.
  • Phase d'apprentissage.
  • Statistique prédictive pour estimer et anticiper.
  • Modélisation statistique d'un phénomène.

Introduction à la modélisation des données

  • Introduction au langage Python.
  • Introduction au logiciel Jupiter Notebook.
  • Les étapes de construction d'un modèle.
  • Les algorithmes supervisés et non supervisés.
  • Le choix entre la régression et la classification.
Travaux pratiques
Installation de Python 3, d'Anaconda et de Jupiter Notebook.

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.

Introduction aux réseaux de neurones artificiels

  • Du biologique à l’artificiel.
  • Entraîner un PMC (perceptron multicouche) avec une API TensorFlow de haut niveau.
  • Entraîner un PMC (perceptron multicouche) avec TensorFlow de base.
  • Régler précisément les hyperparamètres d’un réseau de neurones.

Les approches traditionnelles en text mining

  • Les API pour récupérer des données textuelles.
  • La préparation des données textuelles en fonction de la problématique.
  • La récupération et l'exploration du corpus de textes.
  • La suppression des caractères accentués et spéciaux.
  • Stemming, lemmatisation et suppression des mots de liaison.
  • Tout rassembler pour nettoyer et normaliser les données.
Travaux pratiques
La recherche des documents, la préparation, la transformation et la vectorisation des données en DataFrame.


Certification incluse
Chaque bloc de compétences est validé au travers d'un examen écrit sous forme d'étude de cas. Certification déposée par IP-FORMATION. Date de décision du 24/04/2020 portant enregistrement au Répertoire national des certifications professionnelles.

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.

Mentions légales
Taux d'obtention : 0

Titres RNCP associés
Pour aller plus loin et renforcer votre employabilité, découvrez les titres RNCP qui contiennent ce parcours certifiant.

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.
  • Le CPF
  • 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.
  • Le CPF
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.

Financement par le CPF
Cette formation est éligible au CPF. Si vous souhaitez bénéficier de ce mode de financement, contactez-nous ou rendez-vous directement sur le site moncompteformation.gouv.fr.

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.
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