Cours
AIMLPY
Machine Learning en Python («AIMLPY»)
Dans notre formation intensive de 2 jours, découvrez le Machine Learning en Python, de l’apprentissage supervisé à l’optimisation de modèles.
Durée
2 jours
Prix
1'700.–
excl. 8.1% TVA
Documents
Support de cours numérique
Description de la formation
- Découvrir les concepts fondamentaux du Machine Learning (ML) en utilisant Python comme langage de programmation
- Apprendre les principes de base du ML
- Découvrir les techniques de prétraitement des données
- Apprendre à mettre en œuvre et évaluer des modèles de ML
- Définition et objectifs du Machine Learning.
- Différence entre l'apprentissage supervisé, non supervisé et semi-supervisé.
- Applications et cas d'utilisation du Machine Learning dans divers domaines professionnels.
- Environnement de Développement
- Configuration de l'environnement Python pour le développement de Machine Learning.
- Utilisation des bibliothèques populaires telles que NumPy, Pandas et Matplotlib.
- Prétraitement des Données
- Chargement et exploration des données.
- Nettoyage des données manquantes et aberrantes.
- Transformation des données catégorielles et normalisation des données numériques.
- Modèles de Machine Learning
- Introduction aux modèles d'apprentissage supervisé (Régression linéaire, Régression logistique, K-NN, etc.).
- Introduction aux modèles d'apprentissage non supervisé (Clustering, PCA, etc.).
- Techniques d'évaluation des modèles de ML.
- Mise en Œuvre des Modèles
- Utilisation de bibliothèques ML telles que Scikit-Learn pour la mise en œuvre des modèles.
- Formation, validation et ajustement des paramètres des modèles.
- Étapes Supplémentaires
- Méthodes pour éviter le surajustement et l'optimisation des hyperparamètres.
- Introduction à l'apprentissage en profondeur (Deep Learning) et ses applications.
- Cours théoriques accompagnés d'exemples pratiques.
- Travaux pratiques sur des ensembles de données réels.
- Sessions de questions-réponses pour clarifier les concepts.
- Réalisation de projets pour mettre en pratique les connaissances acquises.
- Connaissance de base en programmation Python.
- Familiarité avec les concepts mathématiques fondamentaux tels que l'algèbre linéaire et les probabilités.
- Des bases en modélisation mathématique et en algorithme d’apprentissage machine sont un plus.