Vous êtes ici : Accueil > Formations en informatique > Intelligence Artificielle > Machine Learning

Fantom Tag

Formation - L'apprentissage Machine en Python (SciKit-Learn)

Utiliser la bibliothèque d'apprentissage statistique en Python de référence

  • Présentiel ou classe à distance
  • Fondamental
InterIntra Sur Mesure
PRESENTIEL OU CLASSE A DISTANCE
Durée
2 jours (14 heures)
Prix
1 480,00 €  HT
Référence
BI050
Consulter les dates et villes
S'inscrire
Dans vos locaux ou à distance
Référence
BI050
Durée
2 jours (14 heures)
Forfait intra - En savoir plus
5 470,00€ HT
(Prix pour un groupe de 12 personnes max)
Demander un devis
Formation à la demande
Cette thématique vous intéresse ?
Nos experts conçoivent votre formation
sur-mesure !
Nous contacter
Spécifiquement conçue par de nombreux contributeurs et notamment par des instituts français d'enseignement supérieurs et de recherche tels que l'INRIA et Télécom Paritech, SciKit-Learn est une bibliothèque libre développée en Python et destinée à la mise en oeuvre de solutions d'apprentissage automatique. Simple d'utilisation et polyvalente, SciKit-Learn peut être utilisée dans une grande variété de projets : ciblages marketing, prévisions de comportements d'internautes, optimisation de processus industriels ou logistiques... Les participants à cette formation de 2 jours acquerront les compétences et connaissances nécessaires à la mise en oeuvre de SciKit-Learn dans leurs projets.
Lire la suite
Pour qui ?

A qui s'adresse cette formation ?

Pour qui

  • Chefs de projet et data-scientists souhaitant comprendre le fonctionnement de SciKit-learn

Prérequis

Programme

Le programme

1 - L'écosystème SciKit Learn

  • Origine
  • Missions et évolutions
  • Architecture
  • Modules
  • Atelier pratique : Installation de l'écosystème (PC, MAC, LINUX)

2 - Bonnes pratiques SciKit Learn : la récupération de données

  • L'API dédiée aux jeux de données
  • Problématique des grands jeux de données
  • Les jeux de données internes au framework
  • La génération de données artificielles
  • L'accès aux données ouvertes
  • Méthodologies de chargement de données externes
  • Atelier pratique : Collecte de données sur un cas concret

3 - Bonnes pratiques SciKit Learn : le prétraitement

  • Cadre et rôle du prétraitement
  • Méthodes de mise à l'échelle des données
  • Normalisation des données
  • Traitement des données catégorielles
  • Traitement des données manquantes
  • Atelier pratique : Prétraitement des données dans un cas concret

4 - Bonnes pratiques SciKit Learn : l'ingénierie des variables prédictives

  • Cadre et rôle de l'ingénierie des variables prédictives
  • Transformations non linéaires
  • Algorithmes de réduction dimensionnelle de données
  • L'extraction automatique de traits (textes, images)
  • Combinaison et transformations ad-hoc des données
  • Atelier pratique : Ingénierie des variables prédictives sur un cas concret

5 - Bonnes pratiques SciKit Learn : la modélisation

  • Cartographie des algorithmes de l'écosystème
  • Tour de l'apprentissage supervisé avec SciKit Learn
  • Tour de l'apprentissage non supervisé avec SciKit Learn
  • En pratique, mode de sélection d'algorithmes pertinents
  • Atelier pratique : L'apprentissage supervisé et non supervisé sur cas concrets

6 - Bonnes pratiques SciKit Learn : sélection et optimisation des modèles

  • Présentation et usage des outils de combinaison et de chaînage de processus
  • L'évaluation de performance par validation-croisée
  • Le réglage des hyper-paramètres d'un modèle
  • Les APIs d'évaluation des modèles de prédiction
  • Les différentes courbes d'évaluations de modèles de prédictions
  • Atelier pratique : Sélection de modèle, et optimisation des réglages

7 - Bonnes pratiques SciKit Learn : industrialisation et déploiement

  • Persistance des modèles
  • Scaling des applications de prédictions avec SciKit Learn
  • Problématiques de latence et de débit à l'exécution
  • La parallélisation
  • La gestion de l'environnement Python associé
  • Atelier pratique : Industrialisation d'une application de prédiction
Objectifs

Les objectifs de la formation

  • Être capable de mettre en oeuvre SciKit-learn pour de l'apprentissage machine et l'analyse de données
  • Comprendre comment collecter les données et les préparer pour un traitement efficient
  • Savoir modéliser les données et optimiser les modèles
  • Être en mesure d'industrialiser et de déployer une application de prédiction
Evaluation

Evaluation

  • Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.
Points forts

Les points forts de la formation

  • Un tour d'horizon complet des fonctionnalités de SciKit-Learn
  • Une formation très opérationnelle durant laquelle s'alternent les phases d'apports théoriques, d'échanges, de partage d'expériences et les séquences de mise en pratique
  • Une formation pratique : chaque point abordé fera l'objet de manipulations à travers des ateliers pratiques
  • Les retours d'expérience et conseils de consultants experts.

Qualité des formations

ib Cegos est certifié Iso 9001 et Qualiopi.

Dates et villes

Mise à jour le 19/04/2024
  • 1 480,00 € HT
    Places disponibles
    S'inscrire
  • 1 480,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 1 480,00 € HT
    Places disponibles
    S'inscrire
  • 1 480,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
  • 1 480,00 € HT
    Places disponibles
    S'inscrire
  • 1 480,00 € HT
    Places disponibles
    S'inscrire
    Paris
    Tour Atlantique / 1 place de la Pyramide La Défense 9
    92800 Puteaux
Formation - L'apprentissage Machine en Python (SciKit-Learn)