Machine Learning

Etat de l'art

Durée de la formation : 2 jours

Pourquoi suivre cette formation ?

Cette formation vous permettra d’acquérir les bases du Machine Learning. À l'issue des 2 jours, vous serez autonome dans la mise en place de modèles prédictifs (création et déploiement). Vous serez en mesure de créer ces modèles dans votre domaine et de les utiliser en production, via des APIs reposant sur des solutions open source et/ou cloud, comme par exemple scikit-learn, Azure ML et Amazon ML.

Tout au long de la formation, vous mettrez en pratique la théorie en créant vous-même des modèles prédictifs.

Par des applications et des use cases, vous découvrez les modèles utilisés en machine learning (apprentissage automatique). Que ce soit pour de la classification, du clustering ou d’autres applications, cette formation machine learning vous fournit tout le bagage nécéssaire à la compréhension de ce nouveau domaine passionnant.

Pourquoi ?

  • Je comprends l'essor du machine learning et du big data
  • Je connais les méthodes du machine learning et ses applications
  • Je sais traduire un problème métier en algorithme de machine learning afin de le résoudre
  • Je comprends comment explorer et manipuler des données
  • Je sais construire des modèles prédictifs à partir de données d’apprentissage
  • Je sais évaluer la performance et l’impact des modèles

Tarif :

1800€ HT

Durée :

2 jours

Cette formation s'adresse à :

Tous publics

La "H2 Touch" :

Le contenu théorique en vidéo
Une session en présentiel 100% pratique
Des quiz interactifs
Du contenu additionnel après la formation
Un forum de discussion dédié

Les sujets abordés


Jour 1 : Introduction au Machine Learning :

  • AI, Big Data et Machine Learning
  • Etat de l'art de l'intelligence artificielle
  • Découverte éco-système Python

Analyse exploratoire :

  • Préparation d’un jeu de données
  • Feature engineering
  • Implémentation d'un modèle prédictif

Jour 2 : Comparaison de différents modèles de machine learning

  • Arbre de décisions et forêts aléatoires
  • Régression logistique
  • Analyse de données non structurées : classification de textes

Evaluation des modèles prédictifs

  • Séparation des données en jeu d’apprentissage, de validation et de test
  • Test de représentativité des données d’apprentissage
  • Mesures de performance des modèles prédictifs (accuracy, precision, recall, F-measure, MSE, R-squared)

Mise en pratique à des cas d'usages :

  • Analyse de sentiments
  • Régression : détection de tendances et prévisions
  • Clustering : regroupement automatique par familles