Programme Machine learning, méthodes et solutions
Durée : 4 jours - 28 heures
Tarif : Nous contacter pour une formation INTER – INTRA ou en COURS PARTICULIER
Ce programme couvre les fondamentaux du Machine Learning (IA), des algorithmes aux méthodes bayésiennes et réseaux de neurones, jusqu'au déploiement en production avec des solutions Big Data et cloud.
La formation est délivrée en présentiel ou distanciel (e-learning, classe virtuelle, présentiel et à distance). Le formateur alterne entre méthodes démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). La validation des acquis peut se faire via des études de cas, des quiz et/ou une certification.
Cette formation est animée par un consultant-formateur dont les compétences techniques, professionnelles et pédagogiques ont été validées par des diplômes et/ou testées et approuvées par l’éditeur et/ou par Audit Conseil Formation.
Les objectifs
pré-requis
Connaissances de base en Python et en statistiques de base.
Moyens pédagogiques, techniques et d'encadrement
- 1 poste de travail complet par personne
- De nombreux exercices d'application
- Mise en place d'ateliers pratiques
- Remise d'un support de cours
- Remise d'une attestation de stage
Modalités d'évaluation des acquis
- Evaluation des besoins et objectifs en pré et post formation
- Evaluation technique des connaissances en pré et post formation
- Evaluation générale du stage
Accessibilité handicapés
- Au centre d’affaires ELITE partenaire d’ACF à 20 m.
- Guide d’accessibilité à l’accueil.
Le Programme
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 ?
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.
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.
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.
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.