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

IA, Data Science & Machine Learning - Introduction

réf : BDT-IA

Objectifs pédagogiques

  • Identifier l’ensemble des enjeux et facteurs à prendre en compte pour réussir l’intégration de l’Intelligence Artificielle et du traitement de données Big Data dans la vision large du SI
  • Evaluer et sélectionner les outils appropriés dans le cadre d’un plan de mise en oeuvre d’Intelligence Artificielle

Prérequis

Avoir une connaissance basique des environnements SI

Public concerné

Architectes fonctionnelles, chefs de projets, directeurs de projets, manager, consultants SI…

Présentation de l’intervenant

Après un parcours académique d'expertise en R&D Deep Learning, docteur au CNRS, je suis formateur en Data Science, Machine Learning et Big Data depuis plus de 5 ans.
Benjamin M.
Formateur Big Data

Programme

  • Introduction au Big Data : de quoi s’agit-il ?
  • Du Big Data au cycle de la donnée
  • Définition de l’Intelligence Artificielle, de la Data Science/Analyse/Engineering, du Machine Learning et du Deep Learning
  • Perspectives offertes par le Big Data et l’Intelligence Artificielle
  • Les acteurs du Big Data et de l’Intelligence Artificielle

Travaux pratiques :

Démystification du Big Data et de l’Intelligence Artificielle ; Présentation des technologies et outils concernées les différents métiers

  • La qualité des données
  • Open Data
  • Le traitement des données
  • La protection des données
  • La visualisation de la donnée
  • Le challenge technique et matériel
  • Investissement dans l’analyse
  • Le Web sémantique
  • L’enjeu économique
  • L’impact organisationnel
  • La conduite du changement
  • Objectifs du Machine Learning et de l’optimisation
  • Apprentissage supervisé, semi-supervisé, non-supervisé
  • Données structurées, non-structurées
  • Introduction et comparaison des différents modèles de Machine Learning
  • Fondements du Deep Learning
  • Réduction de dimension
  • Sélection de variables
  • Métriques et évaluation d’un modèle
  • Sur-apprentissage, généralisation et régularisation
  • Paramètres et hyperparamètres
  • Algorithme de descente de gradient
  • Différentes tâches en traitement d’images, du son, du texte
  • Sklearn
  • PyTorch
  • Keras, Tensorflow
  • Spark
  • Assurer la protection des données
  • L’anonymisation d’un modèle de Machine Learning
  • Hacking de Réseau de neurones

S'inscrire à la session

    Jours

    2 (14 heures)

    Date

    Du 22 au 23 novembre 2021

    Prix

    1500 €

    À distance

    Télécharger