![](https://groupealliancemali.wordpress.com/wp-content/uploads/2022/04/img_20210309_105125.jpg?w=1024)
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