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

Machine Learning - Méthodes et solutions

réf : BDT-MLM

Objectif de formation : Le stagiaire apprendra durant cette formation à implémenter divers algorithmes et appréhendera les bonnes pratiques pour un projet ML.

Objectifs pédagogiques

  • Appréhender les principaux modèles d’apprentissage
  • Savoir modéliser un problème pratique sous forme abstraite
  • Être capable de créer des comparatifs entre les méthodes d’apprentissage et de sélectionner la méthode adaptée à la situation
  • Implémenter et mesurer l’impact des méthodes identifiées sur un problème
  • Créer des liaisons entre les différentes techniques d’apprentissage

Pré-requis

Connaissances de base en Python

Notions fondamentales en statistiques

Public concerné

Ingénieurs, Chefs de projet…

Programme

  • Big Data & Machine Learning
  • Présentation des différents algorithmes d’apprentissage : supervisés, non supervisés et par renforcement
  • Jalons de construction d’un modèle prédictif
  • Détection des valeurs aberrantes et traitement les données manquantes
  • Choix de l’algorithme et des variables de l’algorithme
  • 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

Travaux pratiques

Évaluation et comparaison des différents algorithmes sur les modèles fournis

  • Apprentissage statistique
  • Conditionnement des données & réduction de dimension
  • Machines à vecteurs supports & méthodes à noyaux
  • Quantification vectorielle
  • Réseaux neuronaux & deep Learning
  • Ensemble learning & arbres de décision
  • Algorithmes de Bandits, optimisme face à l’incertitude

Travaux pratiques

Création de familles d’algorithmes à l’aide de différents jeux de données

  • Principes d’inférence et d’apprentissage bayésiens
  • Modèles graphiques
  • Méthodes bayésiennes
  • Modèles markoviens

Travaux pratiques

Utilisation des modèles et apprentissages bayésiens sur différents jeux de données

  • Particularités dues aux environnements distribués
  • Présentation des outils Spark et MLlib pour le déploiement
  • Technologies du cloud avec le Machine Learning
  • Maintenance du modèle

Travaux pratiques

Implémentation en production d’un modèle prédictif avec l’intégration dans des processus de batch et dans des flux de traitements

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.

Vous avez une question ?