FORMATION MACHINE LEARNING ENGINEER

FORMATION  MACHINE LEARNING ENGINEER

Maîtriser le langage Python et son application à l’intelligence artificielle

Apprendre à développer en Python des modèles de Machine Learning (prédiction, classification, réseaux de neurones)

Apprendre à manipuler en python les outils de Data Sciences pour analyser, traiter et visualiser des données

Apprendre à manipuler en python les bases de données SQL, les fichiers CSV, Excel

Comprendre les bases et le fonctionnement des algorithmes du Machine Learning

Comprendre les objectifs et les domaines d’application

Apprendre à mettre en applications les algorithmes d’apprentissage automatique

Comprendre le Deep Learning et les différents réseaux de neurones

Maîtriser les outils (Tensorflow, Keras, …) pour faire du Deep Learning avec Python

Apprendre à mener à bien un projet de conception et mise en place d’algorithmes de Deep Learning avec Python

Apprendre les bonnes pratiques pour gérer un projet d’Intelligence artificielle

Apprendre à Développer en POO (Programmation orienté objet)

PROGRAMME DÉTAILLÉ

​

Introduction au langage python​

Structures de données et opérations courantes (conditionnelles, boucles, fonctions, …)

Analyse des données avec les librairies Numpy & Pandas

Visualisation graphique des données avec la librairie Matplotlib

Manipulation des Bases de données SQL avec Python (SQLite, PostgreSQL)

Modules et packages

Manipulations de fichiers

Programmation orientée objet

Exercices

​

Introduction à l’intelligence artificielle (Machine Learning et Deep Learning)

A quel problème répond le Machine Learning ?

Algorithmes d’apprentissage par familles :

Apprentissage supervisé

Apprentissage non supervisé

Apprentissage par renforcement

Fonctions des algorithmes (Classification, Régression, Clustering, …)

Domaines d’application (Diagnostic médical, Recherche scientifique, Analyse d’images, Marketing ciblé, …)

Algorithmes de l’apprentissage supervisé

Régression

Domaines d’application

Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage automatique)

Détailler comment fonctionne l’apprentissage automatique d’une machine

Détailler l’algorithme du « Gradient Descent » et son rôle dans l’optimisation des modèles de l’IA

Rappel sur la gestion des données avec les librairies Numpy et Pandas

Rappel sur la visualisation des données avec la librairie Matpotlib

Pratique :

Installation des Framework Spyder & Jupiter

Développer en Python un modèle de prédiction (Régression linéaire)

Evaluer et améliorer les performances du modèle réalisé

Ecrire le modèle de prédiction avec la librairie Sklearn

Quizz & Exercices

Classification par l’algorithme KNN (K-Nearest Neighbour)

Domaines d’application

Détailler le fonctionnement de l’algorithme KNN

Pratique :

Développer un programme de vision par ordinateur avec l’algorithme KNN :

Reconnaître une donnée (objet/image) et la classer dans une classe parmi n classes

Appliquer la méthode de Diagnostic d’un modèle de Machine Learning (Train Set / Test Set)

Quizz & Exercices

Algorithmes de l’apprentissage non supervisé

Classification par l’algorithme K-Means Clustering

Domaines d’application

Détailler le fonctionnement de l’algorithme K-Means

Pratique :

Développer un modèle de clustering avec l’algorithme K-Means :

Reconnaître les structures des données (objets/images) et les regrouper dans une classe parmi n classes

Quizz & Exercices

Réseaux de neurones

Réseaux de neurones Multi-couches (MLP)

Fonctionnement

Domaines d’application

Entraînement d’un réseau de neurones

Analyse de ce qui se passe dans un neurone

Détailler les fonctions d’activation les plus utilisées et leurs domaines d’application

Pratique :

Développer un programme de réseau de neurones : Classification n-aire avec Sklearn

Reconnaître une donnée (objet/image) et la classer dans une classe parmi n classes

Quizz & Exercices

Deep Learning avec Tensorflow

Avantages de Tensorflow et cas d’utilisation

Les environnements Deep Learning et leurs API Python (TensorFlow, Keras)

Pratique :

Installation de Tensorflow

Développer un programme de réseau de neurones avec Tensorflow

Vision par ordinateur, classification de données

Quizz & Exercices

Réseaux de neurones à convolution (CNN)

Principe de fonctionnement

Domaines d’application

Pratique :

Développer un programme de réseau de neurones à convolution avec Tensorflow

Traitement d’une base d’images

Quizz & Exercices

​

Réseaux de neurones Récurrents (RNN)

Principe de fonctionnement

Domaines d’application

Pratique :

Gestion de projet de Machine Learning

Bonnes pratiques

Comment bien préparer les données avant la phase d’apprentissage

Diagnostiquer et améliorer les performances d’un modèle (Overfitting, Features selection, Cross Validation)

Cycle de développement d’un modèle

TARIF :120.0000 FCFA

Tel +223 66 39 38 52 / 70 83 81 11/ 52 56 74 13

Heurs de Cours 10H12-14H16-16H18-18H20-20H22

#badalabougou#palais de LA culture amadou Hamapate Ba