Formation Fondamentaux du machine Learning
Fondamentaux du machine Learning
La formation « Fondamentaux du machine Learning » vous permettra de comprendre les bases du Machine Learning et les types d'apprentissage, de savoir préparer et transformer des données pour entraîner des modèles, de maîtriser l’entraînement et l’évaluation de modèles de classification, régression et ensemble, d'appliquer des techniques avancées (Boosting, Stacking) et interpréter les résultats et de connaître les bonnes pratiques de suivi et de déploiement en production. Le programme est donné à titre indicatif et sera adapté à vos besoins et votre niveau après audit. N’hésitez pas à nous contacter pour toute demande spécifique.
En résumé
Distanciel
Présentiel
Pré-requis
Des connaissances de bases en informatique sont un plus.
Public concerné
Toute personne souhaitant mieux appréhender les concepts de base du machine learning.
Durée et tarif de la formation
La durée de la formation varie en fonction des besoins et des objectifs déterminés après audit. Les tarifs sont disponibles sur devis.
Lieux
Formation intra-entreprise au sein de votre établissement ou dans nos locaux de LA ROCHELLE (Charente-Maritime), NIORT (Deux-Sèvres) ou POITIERS (Vienne)
Téléchargement
Télécharger le programme de formation au format PDF
Contenu de la formation
- Qu'est-ce que l'apprentissage automatique?
- Pourquoi utiliser l'apprentissage automatique?
- Types de systèmes d'apprentissage automatique
- Principales difficultés de l'apprentissage automatique
- Test et validation
- Introduction à l'Explainability (SHAP, LIME : importance de la compréhension des décisions d'un modèle)
- Travailler avec des données réelles
- Prendre du recul pour une vision d'ensemble
- Récupérer les données
- Découvrir et visualiser les données pour mieux les comprendre
- Préparer les données pour les algorithmes d'apprentissage automatique
- Sélectionner et entraîner un modèle
- Lancer, surveiller et maintenir votre système
- Surveiller la dérive des données et modèles (début de MLOps : monitoring et retraining)
- MNIST
- Entraînement d'un classificateur binaire
- Mesures de performances
- Classification multi-classes
- Analyse des erreurs
- Classification multi-étiquettes
- Classification multi-sorties
- Gestion du déséquilibre des classes (techniques SMOTE, pondération, échantillonnage)
- Régression linéaire
- Descente de gradient
- Régression polynomiale
- Courbes d'apprentissage
- Modèles linéaires régularisés
- Régression logistique
- Entraîner et visualiser un arbre de décision
- Effectuer des prédictions
- Estimation des probabilités des classes
- Algorithme d'entraînement CART
- Complexité algorithmique
- Impureté Gini ou entropie?
- Hyperparamètres de régularisation
- Régression
- Instabilité
- Classificateurs par vote
- Bagging et pasting
- Parcelles aléatoires et sous-espaces aléatoires
- Forêts aléatoires
- Boosting
- Stacking
- Présentation et pratique de XGBoost, LightGBM, CatBoost
- Comprendre le principe des réseaux de neurones
- Multi-Layer Perceptron (MLP) simple pour la classification tabulaire
- Différences entre Machine Learning classique et Deep Learning
- Introduction à AutoML (H2O.ai, AutoSklearn, AutoKeras)
- Introduction au MLOps (principes de déploiement, retraining, monitoring)
- Considérations éthiques : biais algorithmiques, équité, transparence