Certification de formation Machine Learning

Formation Machine Learning éligible CPF faisant partie de la certification « BIG DATA : Data Scientist »

0
Jours
0
Heures
0
CNCP
0
CPF
Formation certifiante disponible en :

Formation
intra-entreprise

Formation
inter-entreprises

Egalement disponible à distance en :
e-learning-tutore
Tous les détails et démonstrations en ligne du déroulement de la formation e-learning ou à distance tutoré : « Machine Learning »
Prochaines dates
Planning et dates

« Machine Learning »

Ville Session 1 Session 2
Paris 17-09-18 15-11-18
Lyon 17-09-18 15-11-18
Aix-en-Provence 17-09-18 15-11-18
Nous vous recommandons

Programme de formation:
Machine Learning.

Machine Learning est un type d’intelligence artificielle qui confère aux ordinateurs la capacité d’apprendre sans être explicitement programmés.
Il permet d’être autonome dans la mise en place de modèles prédictifs, de créer ces modèles dans votre domaine et de les utiliser en production, via des APIs reposant sur des solutions open source et/ou cloud.

Objectifs

Quelles seront mes compétences à l’issue de la formation : Machine Learning ?

À l’issue de la formation « Machine Learning », les apprenants auront les capacités de :

  1. Acquérir les bases du Machine Learning
  2. Apprendre à créer les modèles et les mettre en production
  3. Formaliser son problème de Machine Learning
  4. Apprendre à Manipuler les données
  5. Apprendre à construire des modèles prédictifs
  6. Apprendre à utiliser ces modèles en production
  7. Apprendre à évaluer les performances

Publics

Quels sont les profils concernés par le module : Machine Learning ?

La formation certifiante « Machine Learning », s’adresse à tout public salarié, demandeur d’emploi ou en reconversion professionnelle et souhaitant acquérir des compétences en BIG DATA, notamment :

  1. Président, Directeurs Généraux,
  2. Directeurs et Responsables R&D, Directeurs marketing,
  3. Directeurs et Responsables Innovation, Directeurs des Systèmes d’informations
  4. Directeurs de la stratégie, Directeurs et Responsables Industriel, Chercheurs….
  5. Acteurs de l’écosystème des objets connectés issus de l’automobile, l’aéronautique, la santé, la chimie, l’énergie, du numérique, de la recherche

Prérequis

Quelles sont les qualifications requises pour suivre la formation : Machine Learning ?

Connaissances en langage de programmation (Python de préférence), basique en algèbre et calcul, sont recommandées.

Programme détaillé

Faire de l’apprentissage automatique via des outils Open Source.

Présentation du Machine Learning et de ses possibilités

  1. Les fondamentaux
  2. Apprendre à formaliser les problématiques
  3. Exemple du Data Science en entreprise

Créer un premier Problème Prédictif

  1. Techniques d’apprentissage(les plus proches voisins, modèles Linéaire, arbre de décision, …)
  2. Révision des bases de la programmation
  3. Apprentissage d’un modèle avec librairie Open Source

Préparation des données afin de les utiliser dans un système d’apprentissage

  1. Présentation du feature Engineering et les limites
  2. Technique d’exploration de données
  3. Procédure de prétraitement et de nettoyage

Apprendre à évaluer et déployer des modèles prédictifs.

Apprendre à évaluer des modèles prédictifs

  1. Création des jeux d’apprentissage, mise en place de leur validation et test.
  2. Tester la représentativité des données
  3. Mesure de performance des modèles prédictifs
  4. Apprendre à faire une matrice de confusion et de coût
  5. Apprendre à Sélectionner les modèles
  6. Déterminer l’exactitude des prédictions avec les ensembles de modèles
  7. Apprendre à créer des arbres de décisions

Apprendre à déployer

  1. Déterminer l’importance des APIs en production.
  2. Vue d’ensemble des solutions Open Source
  3. Apprendre à créer des APIs
  4. Apprendre à gérer l’authentification
  5. Savoir utiliser Amazon Machine Learning et BigML

Utilisation du ML sur du texte

  1. Conseils de prétraitement des données textuelles
  2. Mise en pratique avec la librairie open source NLTK

Aller plus loin avec le Machine Learning.

Techniques avancées

  1. Principe du Gradient Boosting et utilisation de la librairie open source XGBoost
  2. Pipelines de Machine learning: enrichissement et sélection de features, modélisation
  3. Techniques d’optimisation des paramètres de pipelines de Machine learning: grid search, random search et utilisation de la librairie open source hyperopt
  4. Autres problèmes d’apprentissage
  5. Réseaux de neurones et Deep Learning
  6. Développer son propre cas d’usage

Besoin d'un devis / d'un renseignement :

Adresse :

28 rue Xavier Bichat

72000 Le Mans

 

Téléphone :

02.43.52.36.45

 

Email :

contact@cegefos.fr

 

Suivez-nous :

[Form id= »6″]