Machine Learning en utilisant la programmation Python

39 heures

Le machine learning est l'un des choix de carrière les plus opportuns. Avec ce cours ouvrez vous de nouveaux horizons professionnels

Fus%c3%a9e

Technologique

Un cours ultra technologique

Conqu%c3%aate

Business

Des compétences orientées développement informatique

Mutant

Agile

La possibilité de construire et d'adapter les modèles... Au réel

Soucoupe

Ready made

Le cours est disponible 100% du temps


Objectifs de la mission

2,3 millions d'emplois en machine learning seront créés d'ici 2020 Le salaire moyen de base pour les emplois en machine learning est de 146 085 $ Plus de 10 000 offres d'emploi sont publiées chaque mois dans le secteur du machine learning Les ingénieurs du Machine Learning dominent la liste des 10 meilleurs emplois en IA

Compétences

   Apprendre à construire un modèle prédictif

   Identifier des facteurs d’influences

   Adapter le modèle au réel (fine tuning)

   Utiliser les statistiques, signaux faibles, algorithmes

Certificat

Cette formation permet de décrocher un Certification RNCP Niveau I (bac+5) :

Datascientist


Programme

Il s’agit d’apprendre à prédire des comportements notamment dans le cadre du parcours utilisateur de vos clients. D’identifier des facteurs d’influence pour construire des stratégies marketing efficaces à long terme et permettant d'améliorer sa connaissance et donc sa relation avec le client. Nous étuderons également des concepts statistiques, d’analyse de signaux faibles et l’utilisation d’algorithmes apprenants qui permettront d’améliorer les modèles. Au menu : création de modèles de classification, compréhension des modèles de deep learning et fine tuning des modèles existants

Datascientist - Machine Learning

Machine Learning en utilisant la programmation Python

Il s’agit d’apprendre à prédire des comportements notamment dans le cadre du parcours utilisateur de vos clients. D’identifier des facteurs d’influence pour construire des stratégies marketing efficaces à long terme et permettant d'améliorer sa connaissance et donc sa relation avec le client. Nous étuderons également des concepts statistiques, d’analyse de signaux faibles et l’utilisation d’algorithmes apprenants qui permettront d’améliorer les modèles. Au menu : création de modèles de classification, compréhension des modèles de deep learning et fine tuning des modèles existants

PRÉ-REQUIS

Être développeur professionnel expérimenté / diplômé en ingénierie informatique

Avoir des connaissance en langage Python

Avoir un très bon niveau de connaissances générales en statistiques, algèbre, calcul

PROGRAMME

Notions fondamentales en statistiques

    Affichage graphique d'une variable simple

    Mesure de localisation

    Mesure de dispersion

    Affichage de relations données bivariées

    Nuage de points

    Mesure d'association de deux ou plusieurs variables

    Covariance et corrélation

    Probabilité

    Probabilités conjointes

    Probabilités conditionnelles

    Théorème de Bayes

    Amont, Probabilité et Aval

    Variable aléatoire discrète

    Probabilité de distribution de données variables aléatoires

    Fonction de distribution de probabilité

    Répartition uniforme

    Répartition uniforme

    Distribution normale

    Estimation ponctuelle

    Intervalle d'estimation

    Test d'hypothèse

    Test d'hypothèse unilatérale

    Test d'hypothèse bilatérale

    Stimuler l'algorithme

Machine Learning avec Python

    Applications du machine learning

    Apprentissage supervisé et non supervisé en machine learning

    Bibliothèques Python adaptées pour le machine learning

Modèles de régressions Intro et données

    Fonctions et étiquettes de régression

    Régression formations et tests

    Régression : anticipation et prévision

    Régression comment programmer la meilleure pente

    Régression théorie et comment cela fonctionne

    Comment programmer le meilleur ajustement linéaire

    Modèles de méthodes d'évaluation

    R2 - programmer le meilleur coefficient de détermination

    Modèle de méthodes d'évaluation

Techniques de classification

    Introduction

    Algorithme K-moyennes

    Théorie des distances euclédiennes

    Les arbres de décision

    Forêts aléatoires

    Analyses en composantes principales

    Analyse discriminante linéaire

Algorithme d’apprentissage par machine SVM Machine à vecteurs de support

    Vecteurs : les fondements

    Vecteurs de support

    OPtimisation sous contrainte avec le vecteur de support

    Démarrage de zéo sur la machine à vecteur de support avec Python

    Optimisation avec Python

    Visualisation et prédiction

    Introduction : Kernel

    Marges souples (soft margin) en SVM

programme-3

À propos du formateur

Cours

Vishal Mishra

DIRIGEANT, INFORMATIQUE