Cursus
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
Participants
Programme de formation
QU'EST-CE-QUE L'IA ?
Définition
Les data sciences
Le déterminisme
Le non déterminisme
L'apprentissage supervisé et le non supervisé
Le machine learning
Le deep learning
Les différents domaines
- Les data
- La voix
- La vision
- L'instrumentalisation
- 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
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
LES PIEGES DU MACHINE LEARNING
Un mauvais dataset
La volumétrie nécessaire du dataset
Le downfitting
L'overfitting
La normalisation des données
Les statistiques de données
Pandas Profiling
LES MODELES NON LINEAIRES
kNN
Random Forest
SVM
Les différents scores : accuracy, précision, recall, f1-score...
LES RESEAUX DE NEURONES
Les neurones
La topologie MLP
La descente du gradient
TENSORFLOW
Tensorflow
Keras
Les réseaux denses
La validation set
Le GPU
LES RESEAUX PROFONDS CNN, RNN ET AUTRES
Les réseaux profonds
Les réseaux convolutifs
Les réseaux récurrents
Exemples de modèles : ResNet, VGG, MobileNet, Xception...
Le format HDF5
LE TRANSFER LEARNING
Modification d'un modèle existant
Transfert des poids
Les réseaux pour l'embarqué
MLOPS
Le devops appliqué au machine learning
Python Flask
Docker
L'intégration continue et les pipelines
LES RESEAUX CONCURRENTS
Les réseaux GNN
L'apprentissage par renforcement
Les réseaux LSTM, GRU
ChatGPT