04 76 41 14 20
Contactez-nous
Menu

Formations informatiques à Grenoble et Sophia Antipolis

Formation IA : Machine Learning et Deep Learning avec Python

Durée : 5 jours

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.

Programme de formation

IA : Machine Learning et Deep Learning avec Python

QU'EST-CE QUE L'IA ?

  1. Définition

  2. Les data sciences

  3. Le déterminisme

  4. Le non déterministe

  5. L'apprentissage supervisé et le non supervisé

  6. Le Machine Learning

  7. Le Deep Learning

  8. Les différents domaines

    • Les datas
    • La voix
    • La vision
    • L'instrumentation
    • 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

  8. La régression polynomiale 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. La loi normale et les distributions de données

  7. Les statistiques de données

  8. Pandas Profiling

LES MODELES NON LINEAIRES

  1. kNN

  2. Random Forest

  3. Les arbres à gradient

  4. Les boîtes blanches

  5. SVM

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

  7. Les sérialisations des modèles

LES RESEAUX DE NEURONES

  1. Les neurones

  2. La topologie MLP

  3. La descente du gradient

  4. MLP avec Sklearn

TENSORFLOW

  1. Tensorflow

  2. Keras

  3. Les réseaux denses

  4. La valiation set

  5. Le GPU

LES RESEAUX PROFONDS CNN, RNN ET AUTRES

  1. Les réseaux profonds

  2. Les réseaux convolutifs

  3. Le DropOut

  4. Les réseaux récurrents

  5. Exemples de modèles

    • ResNet
    • VGG
    • MobileNet
    • Xception...

  6. Exemples de modèles

LE TRANSFERT LEARNING

  1. Modification d'un modèle existant

  2. Transfert des poids

  3. Optimisation du réseau post apprentissage

  4. Les réseaux pour l'embarqué

  5. Le ré-apprentissage

MLOPS

  1. Le Devops appliqué au Machine Learning

  2. Python Flask

  3. Docker

  4. Optimisation de Docker

  5. L'intégration continue et les pipelines

  6. Les bases de données de modèles

LES RESEAUX CONCCURENTS

  1. Les réseaux GNN

  2. L'apprentissage par renforcement

  3. Les réseaux LSTM, GRU

  4. ChatGPT

intra sur-mesure
Durée
5 jours
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 !
Demandez un devis
Formations dans la même thématique
Etat de l'art du Machine Learning et du Deep Learning avec Python 1 jour IA Intégration et Management de l'IA en entreprise : Stratégies et Pratiques Avancées 2 jours IA Risques et opportunités de l'IA 1 jour Introduction au Prompt Engineering avec ChatGPT 2 jours