Formation Machine Learning avec Python
Découvrez le Contenu de la Formation Machine Learning avec Python.
Présentation de la formation
L’apprentissage automatique est un sous-domaine de l’intelligence artificielle (IA) qui se concentre sur la conception de systèmes qui apprennent — ou améliorent le rendement — en fonction des données qu’ils consomment.
L’intelligence artificielle est un terme général qui se rapporte aux systèmes ou aux machines qui imitent l’intelligence humaine.
Python est le langage de programmation le plus utilisé dans le domaine du Machine Learning, du Big Data et de la Data Science.
Cette formation, vous permet d’apprenez à utiliser les différentes méthodes d’exploration des données, vous comprenez le principe de la modélisation statistique, êtes en mesure de choisir entre régression et classification selon leur problématique et évaluer les performances prédictives d’un modèle donné.
Programme de la formation
Objectifs pédagogiques
- utiliser différentes méthodes d’exploration de données
- comprendre le principe de la modélisation statistique
- évaluer les performances d’un modèle donné
Pré-requis
- Avoir des connaissances de base en statistiques
- Avoir des connaissances sur Python
Contenu de la formation
Introduction à la formation et rappels sur le langage Python
- Les types de données dans Python
- Importation-exportation de données
- Techniques pour tracer des courbes et des graphiques
- Introduction au logiciel Jupiter Notebook
Analyse en composantes
- Analyse en Composantes Principales
- Analyse Factorielle des Correspondances
- Analyse des Correspondances Multiple
Modélisation
- Les algorithmes supervisés et non supervisés.
- Le choix entre la régression et la classification
- Les étapes de construction d’un modèle
Algorithmes non supervisés
- Le clustering hiérarchique
- Le clustering non hiérarchique
- Les approches mixtes
Algorithmes supervisés
- Le principe de régression linéaire univariée
- La régression multivariée
- La régression polynomiale
- La régression logistique
- Le Naive Bayes
- L’arbre de décision
- Les K plus proches voisins
Procédures d’évaluation de modèles
- Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test.
- Mesures de performance des modèles prédictifs
- Matrice de confusion, de coût et la courbe ROC et AUC
Analyse de données textuelles
- Quelques packages utiles
- Cas de la régression linéaire multiple
- Cas de l’analyse en composantes principales ACP
- Cas de la classification CAH
Méthodes & moyens
Explications théoriques suivies de pratiques guidées puis mises en autonomie
- 1 vidéoprojecteur par salle
- 1 ordinateur par stagiaire
Profil du formateur
Support de cours
- Support papier ou électronique (dématérialisé)
- Les exercices d’accompagnement peuvent être récupérés sur clef USB