Machine Learning en Python Mixte : présentiel / à distance

• Comprendre l'apport du Machine Learning et ses limites
• Maîtriser les principaux algorithmes
• Savoir créer et optimiser un modèle prédictif en python
• Mesurer la qualité des modèles et les performances attendues en production
• Connaître le workflow global du projet
• Savoir mettre en oeuvre les bonnes pratiques pour éviter les écueils de ce type de projet
• Pouvoir déployer un modèle, le superviser et le mettre à jour en production
• Comprendre comment appliquer le Machine Learning sur des données structurées, sur du texte, et sur des séries temporelles

• Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien, et toute personne travaillant dans la data et sachant manipuler du code informatique

• Connaitre un langage de programmation, idéalement python
• Un test de positionnement sera réalisé au préalable pour vérifier si vous disposez des compétences nécessaires pour suivre la formation.

JOUR 1

• Introduction au Machine Learning :
  • Principe général et concepts basiques
  • Exemples de cas d'usage dans différents secteurs : industrie, marketing, IoT, web, énergie…
  • Cadre d'utilisation : possibilités et limitations
  • Bien formuler la problématique : comment passer d'un problème métier à un problème Machine Learning
• Ecosystème Python :
  • Python scientifique : numpy, pandas, matplotlib, scipy
  • La lirairie Scikit-learn
  • Notebook Jupyter, Anaconda
  • Algorithmes de Machine Learning, première partie : les bases
  • Régression linéaire et régression logistique
  • K plus proches voisins : KNN
  • Arbres de décision et Random Forests

JOUR 2

• Critères d'évaluation :
  • Régression : MAE, MSE, RMSLE, R²…
  • Classification : accuracy, precision, recall, F1 score…
  • Procédures d'évaluation : train-test split, cross-validation, validation set
• Optimisation des hyper-paramètres :
  • Gridsearch, randomsearch
  • Soft optimisation et hard optimisation
• Méthodologie et bonnes pratiques :
  • Déroulé d'un projet de data science : une procédure itérative
  • Workflow complet du projet
  • Pipeline de transformation
  • Ecueils à éviter et comment s'en prémunir : surrapprentissage (overfitting) et fuite de données (data leakage)

JOUR 3

• Data prepration et feature extraction :
  • Traitement des données aberrantes et manquantes
  • Normalisation et standardisation
  • Combinaison de features
• Mise en production :
  • Déployer un modèle en production via une API
  • Monitoring des modèles
  • Mise à jour des modèles
• Algorithmes de Machine Learning, deuxième partie : les autres catégories
  • Boosting et gradient boosting
  • Clustering
  • Détection d'anomalie
  • Réseaux de neurones et Deep Learning
• Adapter selon le type de données :
  • Comment traiter du texte
  • Comment traiter des séries temporelles

Cette formation alterne contenu théorique et mise en pratique. Elle vous permettra de comprendre en profondeur le Machine Learning : ses enjeux et ses limites, comment concevoir un use case, quels sont les principaux algorithmes et comment les utiliser, les optimiser, et évaluer la qualité des modèles prédictifs obtenus.

Vous mettrez les notions apprises en pratique sur des cas concrets réels, et maîtriserez les bonnes pratiques du domaine, les écueils à éviter absolument, le cycle de développement et de déploiement, ainsi que la supervision du modèle en production.

L'objectif est de vous donner toutes les bases nécessaires pour que vous puissiez à l'issue de la formation faire votre propre projet de Machine Learning, depuis la récupération des données jusqu'à l'exploitation de votre modèle. Vous comprendrez comment appliquer ces techniques sur des données structurées, du texte, ainsi que des séries temporelles.

• Exercices concrets
• Cas pratiques
• Quiz d'évaluation des connaissances

• Positionnement en amont de la formation :
• Un quiz de consolidation des pré-requis sera administré en amont de la formation
• Suivi « pendant » :
• Feuilles de présence
• Exercices pratiques
• Évaluation « fin de formation »
• Évaluation des acquis en fin de formation
• Formulaires d'évaluation de la formation
• Évaluation à froid :
• Suivi post-formation : Questionnaire de satisfaction à j+60

• Comprendre l'apport du Machine Learning et ses limites
• Maîtriser les principaux algorithmes
• Savoir créer et optimiser un modèle prédictif en python
• Mesurer la qualité des modèles et les performances attendues en production
• Connaître le workflow global du projet
• Savoir mettre en oeuvre les bonnes pratiques pour éviter les écueils de ce type de projet
• Pouvoir déployer un modèle, le superviser et le mettre à jour en production
• Comprendre comment appliquer le Machine Learning sur des données structurées, sur du texte, et sur des séries temporelles

Délais d'accès à la formation

Le délai d'accès à la formation est variable en fonction du dispositif de financement utilisé, du planning des formateurs et des contraintes du client. Pour les formations inter-entreprises, vous pouvez consulter notre calendrier en ligne ou prendre contact avec nous. Nous traitons vos demandes sous 48 heures

Accessibilité

Si vous êtes en situation de handicap, merci de nous en informer afin de vous accompagner, vous orienter, et étudier les compensations nécessaires pour répondre au mieux à votre demande de formation. Certaines formations peuvent nécessiter une adaptation pour les personnes en fonction de leur handicap. Nous restons disponibles pour échanger ensemble et nous pourrons vous orienter vers un de nos partenaires : Agefiph, Cap Emploi

Contactez-nous pour échanger sur vos besoins !

✉️ formation@napsia.com

📞 05 62 84 10 13