Search
Résultats pour {phrase} ({results_count} de{results_count_total})
Displaying {results_count} results of {results_count_total}
Formation IA : Machine Learning et Deep Learning avec Python
Domaine : Data Science – Deep learning
DURÉE
5 jour(s)
OBJECTIFS
Expliquer les différentes notions de déterminisme et d'apprentissage de l'IA. Employer Python et ses librairies pour traiter des données. Décire les rôles des acteurs du Machine Learning. Identifier les pièges courants du Machine Learning. Utiliser les réseaux de neurones. Concevoir des tâches d'apprentissage automatique avec Tensorflow. Identifier les différents réseaux profonds. Décrire le Transfert Learning.
Pré-requis
Maîtriser l'algorithmie, avoir une appétence pour les mathématiques. La connaissance de Python et des statistiques est un plus.
Participants
Manager, chef de projets IT, développeur et toute personne souhaitant comprendre les fondamentaux de l'Intelligence Artificielle et des Data Sciences.
coût
Formation en cours collectif
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à GrenobleNotre centre de formation à MoiransNotre centre de formation à Sophia Antipolis
Sur votre site en formation intraEn classe distancielle
PROGRAMME DE FORMATION
IA : Machine Learning et Deep Learning avec Python
QU'EST-CE QUE L'IA ?
Définition
Les data sciences
Le déterminisme
Le non déterministe
L'apprentissage supervisé et le non supervisé
Le Machine Learning
Le Deep Learning
Les différents domaines (Les datas, La voix, La vision, L'instrumentation, La caractérisation, La banque...)
Les data sciences
Le déterminisme
Le non déterministe
L'apprentissage supervisé et le non supervisé
Le Machine Learning
Le Deep Learning
Les différents domaines (Les datas, La voix, La vision, L'instrumentation, La caractérisation, La banque...)
PYTHON ET LES DATAS SCIENCES
Python
Les librairies Python (Numpy, Pandas, Matplotlib, Scikit-Learn, Tensorflow, Seaborn, Pytorch)
Le datalake, datamart et datawarehouse
Le dataset
Le data mining avec Pandas
Le workflow des datas
Les librairies Python (Numpy, Pandas, Matplotlib, Scikit-Learn, Tensorflow, Seaborn, Pytorch)
Le datalake, datamart et datawarehouse
Le dataset
Le data mining avec Pandas
Le workflow des datas
LE MACHINE LEARNING
Les rôles des différents acteurs : Data engineer, Data stewart...
Scikit-Learn
La régression
La catégorisation
L'apprentissage, la prédiction, le score
L'affichage des résultats avec Matplotlib
La régression linéaire avec Sklearn
La régression polynomiale avec Sklearn
Scikit-Learn
La régression
La catégorisation
L'apprentissage, la prédiction, le score
L'affichage des résultats avec Matplotlib
La régression linéaire avec Sklearn
La régression polynomiale avec Sklearn
LES PIEGES DU MACHINE LEARNING
Un mauvais dataset
La volumétrie nécessaire du dataset
Le Downfitting
L'Overfitting
La normalisation des données
La loi normale et les distributions de données
Les statistiques de données
Pandas Profiling
La volumétrie nécessaire du dataset
Le Downfitting
L'Overfitting
La normalisation des données
La loi normale et les distributions de données
Les statistiques de données
Pandas Profiling
LES MODELES NON LINEAIRES
kNN
Random Forest
Les arbres à gradient
Les boîtes blanches
SVM
Les différents scores : accuracy, précision, recall, f1-score
Les sérialisations des modèles
Random Forest
Les arbres à gradient
Les boîtes blanches
SVM
Les différents scores : accuracy, précision, recall, f1-score
Les sérialisations des modèles
LES RESEAUX DE NEURONES
Les neurones
La topologie MLP
La descente du gradient
MLP avec Sklearn
La topologie MLP
La descente du gradient
MLP avec Sklearn
TENSORFLOW
Tensorflow
Keras
Les réseaux denses
La valiation set
Le GPU
Keras
Les réseaux denses
La valiation set
Le GPU
LES RESEAUX PROFONDS CNN, RNN ET AUTRES
Les réseaux profonds
Les réseaux convolutifs
Le DropOut
Les réseaux récurrents
Exemples de modèles (ResNet, VGG, MobileNet, Xception...)
Exemples de modèles (Le format HDF5)
Les réseaux convolutifs
Le DropOut
Les réseaux récurrents
Exemples de modèles (ResNet, VGG, MobileNet, Xception...)
Exemples de modèles (Le format HDF5)
LE TRANSFERT LEARNING
Modification d'un modèle existant
Transfert des poids
Optimisation du réseau post apprentissage
Les réseaux pour l'embarqué
Le ré-apprentissage
Transfert des poids
Optimisation du réseau post apprentissage
Les réseaux pour l'embarqué
Le ré-apprentissage
MLOPS
Le Devops appliqué au Machine Learning
Python Flask
Docker
Optimisation de Docker
L'intégration continue et les pipelines
Les bases de données de modèles
Python Flask
Docker
Optimisation de Docker
L'intégration continue et les pipelines
Les bases de données de modèles
LES RESEAUX CONCCURENTS
Les réseaux GNN
L'apprentissage par renforcement
Les réseaux LSTM, GRU
ChatGPT
L'apprentissage par renforcement
Les réseaux LSTM, GRU
ChatGPT
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
Cursus formation
Formations de la même thématique
nos centres de formation