| IND497 |
Machine Learning avec Python (module Scikit-learn)
|
(plus) |
OBJECTIFS DE LA FORMATION
|
(moins) |
PROGRAMME DE LA FORMATION
|
|
Scikit-learn est une bibliothèque libre Python destinée à l'apprentissage automatique. Elle propose dans son framework de nombreuses bibliothèques d’algorithmes à implémenter clé en main, à disposition des data scientists. Elle comprend notamment des fonctions pour estimer des forêts aléatoires, des régressions logistiques, des algorithmes de classification, et les machines à vecteurs de support. Elle est conçue pour
s'harmoniser avec d'autres bibliothèques libres Python, notamment NumPy, SciPy et Pandas.
|
| JOUR 1 - Maîtrise des concepts et mise en œuvre de SCIKIT LEARN |
|
Introduction à l'apprentissage automatique
|
|
-Principe |
|
-Enjeux |
|
-Applications |
|
-Apprentissage supervisé |
|
-Apprentissage non-supervisé |
|
-Apprentissage par renforcement |
|
-Classification |
|
-Régression |
|
-Traitement des données |
|
Découverte de l’écosystème Scikit-Learn
|
|
-Choisir le bon estimateur et les bons paramètres |
|
-Interopérabilité avec écosystème python scientifique |
|
-Performance et montées en charge |
|
-Stratégie |
|
-Outils |
|
Préparation des modèles : le prétraitement des données
|
|
-Cadre et rôle du prétraitement |
|
-Méthodes de mise à l’échelle des données |
|
-Normalisation des données |
|
-Traitement des données catégorielles |
|
-Traitement des données manquantes |
|
-Réduction des dimensions : analyse en composantes principales |
|
-Atelier pratique : Prétraitement des données dans un cas concret |
|
-Cas des images |
|
-Cas des textes |
|
Application des méthodes de machine learning avec Scikit-Learn
|
|
-Les méthodes supervisées : KNN, SVM, réseaux de neurones, réseau bayésien naïf, régression pénalisée, boosting, random forest |
|
-Les méthodes non supervisées : clustering, règles d’associations et de séquences, traitement du texte (text mining) |
| JOUR 2 - Catégorisation des études de prédiction avec SCIKIT LEARN |
|
Classification
|
|
-Définition des arbres de décision |
|
-Arbres de décision |
|
-Modèles d’ensemble |
|
-Classificateur de Random Forest |
|
Régression
|
|
-Arbres de décision |
|
-Modèles de régression |
|
-Définition d’un hyperplan |
|
-Anatomie d’un estimateur |
|
-Régression linéaire simple |
|
-La fonction COST |
|
-Qu’est-ce que R-Squared ? |
|
-Évaluation du modèle |
|
-Régularisation |
|
-Régression linéaire à plusieurs variables |
|
-Régression linéaire appliquée |
|
-Visualisation de notre DataSet |
|
Clustering
|
|
-Animation du Cluster K-Means |
|
-L’algorithme K-Means |
|
-Application du Clustering K-Means |
|
-Autres algorithmes disponibles |
|
Evaluer son modèle
|
|
-Le scoring global |
|
-Maximiser le rappel |
|
-Matrices de confusion |
|
-Courbes ROC et AUC |
|
(moins) |
PERSONNES CONCERNEES
|
|
Cette formation est à destination des personnes souhaitant développer du machine learning avec Python.
|
|
(moins) |
PRE REQUIS DE LA FORMATION
|
|
Personnes ayant connaissance de Python et d'une des bibliothèques de calcul telle que Numpy ou Pandas.
|
|
(moins) |
LE FORMATEUR
|
|
Spécialiste du machine learning. |
|
(moins) |
METHODES PEDAGOGIQUES DE LA FORMATION
|
|
Pédagogie interactive alternant les apports théoriques et les exercices pratiques.
|
|
Remise d’un support aide-mémoire au participant. |
|
La formation est construite autour d'exercices pratiques dont le but est d'appréhender chaque notion étudiée. Elle est basée sur un dialogue entre les participants et le formateur afin d'adapter le contenu au contexte des participants.
|
|
(moins) |
DUREE ET TARIF DE LA FORMATION
|
|
Durée de la formation : 2 jours
|
|
Formation intra entreprise. Lieu de formation : dans la ville de votre choix.
|
|
Formation inter entreprises à Paris, Lyon, Lille, Lisieux.
Tarif de la formation par personne : 1 490 euros.
|
|
------
|
QUESTIONNAIRE D'ANALYSE DU BESOIN
|
|
L'apprenant renseigne un questionnaire d’analyse du besoin afin que le formateur prenne connaissance d’une part de son activité,
de son niveau de compétence, de ses préférences d’apprentissage et des objectifs opérationnels spécifiques. Il s’agit aussi de confirmer que l’apprenant dispose des prérequis pour suivre la formation. Ce dernier exprime enfin, en confidentialité, l’existence d’un handicap à prendre en compte par le Référent Handicap au niveau des moyens d'apprentissage ainsi que de l'assistance technique et d'accompagnement nécessaire.
|
|
------
|
ACCESSIBILITE DES FORMATIONS AUX PERSONNES HANDICAPEES
|
|
Nos formations sont accessibles aux personnes handicapées.
Afin de mettre en œuvre toutes les mesures d'accompagnement nécessaires à la formation de la personne en situation de handicap permanent ou temporaire, l'apprenant
contacte en amont de la formation le conseiller ProFormalys afin d'être mis en relation avec le Référent Handicap.
|
|
------
|
MODALITES D'EVALUATION DE LA FORMATION
|
|
Tests de contrôle des connaissances à l’aide de QCM. L’évaluation permet de mesurer le niveau d'atteinte des objectifs opérationnels par l'apprenant.
La formation est sanctionnée par une attestation individuelle de fin de formation avec une évaluation des acquis mentionnant le niveau d'acquisition de l'apprenant.
|
|
------
|
MESURE DE LA SATISFACTION DE L’APPRENANT
|
|
A l’issue de la formation, l’apprenant indique son niveau de satisfaction en termes d’organisation, de conditions d’accueil, de qualités pédagogiques du formateur ainsi que des méthodes, moyens et supports d'apprentissage utilisés. Cette mesure de la satisfaction fait l'objet d'un enregistrement par le groupe ProFormalys en vue de l'analyse et du traitement des appréciations formulées. Cette analyse concerne d’une part la formation proprement dite et d’autre part plus globalement l’activité du centre de formation.
|
|
------
|
COMPTE RENDU DU FORMATEUR
|
|
A l’issue de la formation, le formateur rédige un compte rendu indiquant le contexte de la formation, les objectifs spécifiques des participants en lien avec leur activité professionnelle, les méthodes pédagogiques employées, le retour des participants et les compléments éventuels apportés au programme en fonction des demandes de ces derniers.
|
Du 20 Janvier 2025 au 21 Janvier 2025