Prérequis de formation machine learning avec python:

Cette formation machine learning avec python suppose de savoir développer et de connaître les bases de Python.

Vous pouvez les acquérir en suivant la formation Python (OPYT).

Objectifs :

À la fin de la formation Machine Learning avec Python, vous serez capable de valider les objectifs d’apprentissages suivants :

• 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.

Programme

1.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.

2.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.

3.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 ?

4.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).

5.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.