FORMATION MACHINE LEARNING AVEC PYTHON
Décrire les concepts du machine learning
Connaître les principaux algorithmes utilisés en machine learning
Utiliser la bibliothèque Scikit-Learn
Mettre en œuvre le regroupement de données automatique (clustering)
Utiliser Azure Machine Learning
Fondamentaux du Machine Learning
Les promesses du machine learning
Les technologies sous-jacentes
Liens entre Cloud, Big Data et Machine Learning
Présentation du Deep Learning
Travaux pratiques
Parcours de différents résultats de programmes de machine learning afin de valider le vocabulaire et les concepts présentés dans ce chapitre (prévisions de tarifs, classification d’images, reconnaissance de textes, etc.)
Les algorithmes standards
Différences entre apprentissage supervisé et non supervisé
La régression linéaire
La régression logistique
L’arbre de décision
Les machines à vecteur de support (SVM)
La classification selon Naive Bayes
Les plus proches voisins
Pourquoi faut-il parfois réduire les dimensions ?
Les réseaux de neurones
La bibliothèque Python (Scikit-Learn)
Comment utiliser la documentation ?
Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.)
Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator)
Comment choisir le bon algorithme d’apprentissage automatique ?
Travaux pratiques
Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)
Apprentissage non supervisé (clustering) en Python
Explorer les données et les regrouper (clustering)
Visualisation avec clustering hiérarchique et t-SNE
Décorrélation des données et réduction des dimensions
Découvrir des fonctionnalités interprétables
Extraire des connaissances des textes (Text Mining)
Travaux pratiques
Extraction de sujets et de tendances à partir de gros volume de flux de données (exemple Twitter)
Analyse de sentiments et démotions
Classification automatique de textes dans une ou plusieurs catégories (Word2Vec, Doc2Vec, TF-DF)
Retour sur l’atelier de la reconnaissance supervisée des fleurs pour le passer en mode non supervisé : réduction des dimensions, regroupement des données selon différents algorithmes (clustering) jusqu’à la mise en évidence de l’identification des groupes de familles de fleurs
Azure Machine Learning
Construire des modèles sans coder avec les outils du Cloud
Les services proposés par Visual Studio, Azure et GitHub
Valider les performances des modèles
Déployer son modèle
La préparation des données
Travaux pratiques
Construction d’un modèle de prédiction sous Visual Studio
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
TARIF :1700.0000 FCA