Vous êtes ici : Accueil > Formations en informatique > Big Data, Data Science > Data Science, Intelligence Artificielle

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
Référence
BI050
Durée
2 jours (14 heures)
Prix 2023
1 460,00 €  HT
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
5 320,00€ 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.
Consulter le programme 2024
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

  • Connaissance de Python et d'une bibliothèque de calcul telle que Numpy ou Pandas
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

  • Cette formation fait l'objet d'une évaluation formative.
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 08/12/2023
    Consulter les dates 2024
    Formation - L'apprentissage Machine en Python (SciKit-Learn)