IA et Machine Learning avec Python
Boostez votre expertise en IA et en Machine Learning avec Python!
Besoin d’adapter cette formation à vos besoins ?
N’hésitez pas à nous contacter afin d’obtenir un devis sur mesure !
Formation créée le 23/11/2023. Dernière mise à jour le 02/08/2024.
Version du programme : 1
Programme de la formation
Cette formation vous invite à plonger dans l'univers passionnant de l'IA et du Machine Learning en alliant cours théoriques et mises en situation réelles. Elle vous permettra de maitriser les concepts clés et les techniques incontournables pour la modélisation et le machine learning : de la construction des modèles, à leur évaluation en passant par leur représentation. Pour cela, vous découvrirez le langage Python disposant d'un large panel d'outils pertinents et simples pour le développement d'Intelligences Artificielles. Alors, prêt à passer le cap de l'IA ? Rejoignez-nous pour boostez vos connaissances et votre carrière!
Objectifs de la formation
- Maîtriser les fondamentaux du langage Python et de l'environnement Jupiter Notebook pour l'IA et le Machine Learning.
- Comprendre et appliquer les techniques d'apprentissage supervisé et non supervisé pour construire des modèles d'IA performants.
- Apprendre à évaluer et optimiser les modèles grâce aux méthodes de ré-échantillonnage, de test de représentativité et de mesure de performance.
- Découvrir et utiliser les techniques de clustering et d'analyse en composantes pour une exploration approfondie et une meilleure compréhension des données.
Profil des bénéficiaires
Pour qui
- Professionnel.le.s au contact de services IA
- Utilisateur.rice.s et gestionnaires métiers de bases de données
- Responsables Data souhaitant utiliser Python
- Professionnel.le.s, souhaitant acquérir ou renforcer leurs connaissances en IA et/ou en data science
Prérequis
- Connaissances de base en Python
- ou Avoir suivi la remise à niveau "Python : Fondamentaux pour la Data Science"
- Connaissances de base en statistiques
- ou Avoir suivi la remise à niveau "Statistiques : Fondamentaux"
Contenu de la formation
-
Initiation à la création de modèles
- Découverte du langage Python et de ses fondamentaux.
- Familiarisation avec l'environnement Jupiter Notebook.
- Compréhension des phases clés de l'élaboration d'un modèle.
- Exploration des algorithmes d'apprentissage supervisé et non supervisé.
- Sélection judicieuse entre régression et classification.
- Travaux pratiques : Installation d'Anaconda et prise en main de Jupiter Notebook.
-
Les techniques d'apprentissage supervisé
- Assimilation des principes de la régression linéaire simple.
- Plongée dans la régression multivariée.
- Découverte de la régression polynomiale et de ses applications.
- Approfondissement de la régression régularisée.
- Initiation à l'algorithme Naive Bayes.
- Étude de la régression logistique et de ses cas d'utilisation.
- Travaux pratiques : Mise en œuvre des régressions et des classifications sur plusieurs types de données.
-
Évaluation et validation de modèles
- Maîtrise des méthodes de ré-échantillonnage pour les ensembles d'apprentissage, de validation et de test.
- Vérification de la représentativité des données d'entraînement.
- Évaluation des performances des modèles prédictifs à l'aide de métriques adaptées.
- Analyse approfondie de la matrice de confusion, de la matrice de coût, de la courbe ROC et de l'AUC.
- Travaux pratiques : Mise en place d'échantillonnage de jeux de donnes. Effectuer des tests d'évaluations sur plusieurs modèles fournis.
-
Les méthodes d'apprentissage non supervisé
- Apprivoisement du clustering hiérarchique.
- Les clusterings non hiérarchique.
- Exploration des approches de clustering mixtes.
- Travaux pratiques : Traitements de clustering non supervisés sur plusieurs jeux de données.
-
Analyse des composantes
- Maîtrise de l'analyse en composantes principales (ACP).
- Découverte de l'analyse factorielle des correspondances (AFC).
- Initiation à l'analyse des correspondances multiples (ACM).
- Étude de l'analyse factorielle pour données mixtes.
- Application de la classification hiérarchique sur composantes principales.
- Travaux pratiques : Mise en œuvre de la diminution du nombre des variables et identification des facteurs sous-jacents des dimensions associées à une variabilité importante.
Suivi de l'exécution et évaluation des résultats
- Mises en situation
- Travaux pratiques
- Test de positionnement en amont et en aval par le/la participant.e
Ressources techniques et pédagogiques
- Support de cours au format diapo et pdf
- Travaux pratiques et leurs corrections
- Ressources en lignes
Qualité et satisfaction
Taux de satisfaction des apprenant.e.s / Nombre d'apprenant.e.s depuis le début de la proposition / Taux et causes des abandons / Taux de retour des enquêtes
Capacité d'accueil
Entre 3 et 10 apprenants
Délai d'accès
3 semaines