Formations informatiques à Grenoble et Sophia Antipolis

Formation Etat de l’art du Machine Learning et du Deep Learning avec Python

Objectifs

Définir les notions de Machine Learning et de Deep Learning et de Data Sciences.

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.

Programme de formation

Etat de l’art du Machine Learning et du Deep Learning avec Python

QU'EST-CE-QUE L'IA ?

  1. Définition

  2. Les data sciences

  3. Le déterminisme

  4. Le non déterminisme

  5. L'apprentissage supervisé et le non supervisé

  6. Le machine learning

  7. Le deep learning

  8. Les différents domaines

    • Les data
    • La voix
    • La vision
    • L'instrumentalisation
    • La caractérisation
    • La banque

PYTHON ET LES DATAS SCIENCES

  1. Python

  2. Les librairies Python

    • Numpy
    • Pandas
    • Matplotlib
    • Scikit-learn
    • Tensorflow
    • Seaborn
    • Pytorch
  3. Le datalake, datamart et datawarehouse

  4. Le dataset

  5. Le data mining avec Pandas

  6. Le workflow des datas

LE MACHINE LEARNING

  1. Les rôles des différents acteurs : Data engineer, Data stewart...

  2. Scikit-learn

  3. La régression

  4. La catégorisation

  5. L'apprentissage, la prédiction, le score

  6. L'affichage des résultats avec Matplotlib

  7. La régression linéaire avec sklearn

LES PIEGES DU MACHINE LEARNING

  1. Un mauvais dataset

  2. La volumétrie nécessaire du dataset

  3. Le downfitting

  4. L'overfitting

  5. La normalisation des données

  6. Les statistiques de données

  7. Pandas Profiling

LES MODELES NON LINEAIRES

  1. kNN

  2. Random Forest

  3. SVM

  4. Les différents scores : accuracy, précision, recall, f1-score...

LES RESEAUX DE NEURONES

  1. Les neurones

  2. La topologie MLP

  3. La descente du gradient

TENSORFLOW

  1. Tensorflow

  2. Keras

  3. Les réseaux denses

  4. La validation set

  5. Le GPU

LES RESEAUX PROFONDS CNN, RNN ET AUTRES

  1. Les réseaux profonds

  2. Les réseaux convolutifs

  3. Les réseaux récurrents

  4. Exemples de modèles : ResNet, VGG, MobileNet, Xception...

  5. Le format HDF5

LE TRANSFER LEARNING

  1. Modification d'un modèle existant

  2. Transfert des poids

  3. Les réseaux pour l'embarqué

MLOPS

  1. Le devops appliqué au machine learning

  2. Python Flask

  3. Docker

  4. L'intégration continue et les pipelines

LES RESEAUX CONCURRENTS

  1. Les réseaux GNN

  2. L'apprentissage par renforcement

  3. Les réseaux LSTM, GRU

  4. ChatGPT

Durée
1 jour
Lieux
Meylan Moirans Sophia Dans vos locaux Classe distancielle
Groupe de 8 personnes maximum
Demandez un devis
Cette thématique vous intéresse ?
Nos experts conçoivent votre formation sur-mesure On adore les moutons à 5 pattes !
Formations dans la même thématique