Support & Downloads

Quisque actraqum nunc no dolor sit ametaugue dolor. Lorem ipsum dolor sit amet, consyect etur adipiscing elit.

s f

Contact Info
198 West 21th Street, Suite 721
New York, NY 10010
youremail@yourdomain.com
+88 (0) 101 0000 000
Follow Us

Formation Machine Learning - Fondamentaux avec Python et Scikit-Learn

réf : BDT-MLF

Certification ISTQB Foundation - Testeur Agile

Objectif de formation : Cette formation machine learning vous permettra d’appréhender et d’appliquer les algorithmes de machine learning (apprentissage automatique) avec la librairie scikit-learn.

Objectifs pédagogiques

  • Identifier les problèmes pouvant faire appel à l’apprentissage automatique
  • Découvrir les modèles classiques d’apprentissage supervisé
  • Évaluer les performances des modèles d’apprentissage
  • Utiliser la librairie scikit-learn pour comprendre et mettre en oeuvre les différentes étapes d’un traitement de données par apprentissage supervisé

Pré-requis

Connaissances solides en Python

Facultatif : Connaissances de base en algèbre linéaire

Facultatif : Avoir suivi la formation « Python – Programmation scientifique »

Public concerné

Développeur, ingénieurs, Data scientists, chefs de projets, chercheurs…

Programme de formation Scikit-Learn

  • Historique et motivations
  • Panorama des différents types d’apprentissage
  • L’apprentissage supervisé : classification vs. régression
  • Exemples concrets
  • Modèles linéaires
  • Arbres de décision et modèles sous-jacents
  • Support vecteur machines (SVMs) et leurs kernels
  • Quelques modèles très utilisés dans l’industrie
  • La malédiction de la dimension
  • Variables corrélées / décorrélées du problème
  • L’apprentissage non-supervisé : PCA & Manifold projection
  • Normalisation
  • Encodage des variables qualitatives
  • Augmentation de données
  • Traiter les données manquantes
  • Découverte du Pipeline scikit-learn
  • Enchainement de pré-traitement et d’entrainement de modèle
  • Visualisation du Pipeline
  • Introduction du ColumnTransformer
  • Théorème du “No-free lunch”
  • Comparer des modèles
  • Scores / métriques de performance
  • Les hyper-paramètres
  • Recherche en grille (grid search) vs. aléatoire (random search)
  • Recherche d’hyperparamètres et cross-validation grâce au Pipeline
  • Visualisation des résultats avec parallel plots (ex : plotly ou hiplots)

Équipe pédagogique

Professionnel expert technique et pédagogique

Moyens pédagogiques et techniques

  • Espace intranet de formation.
  • Documents supports de formation projetés.
  • Exposés théoriques
  • Étude de cas concrets
  • Mise à disposition en ligne de documents supports à la suite de la formation.

Dispositif de suivi

  • Émargement numérique.
  • Mises en situation.
  • Formulaires d’évaluation de la formation.
  • Certificat de réalisation de l’action de formation machine learning.

Vous avez une question ?