Logo de la rubrique Initiation au Machine learning

Initiation au Machine learning

Du 25 au 28 mai 2021 DEMATERIALISEE sur 4 demi-journées

Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici



Le monde de l’Internet des Objets est basé sur le traitement des données mesurées. Cette formation est l’occasion de comprendre les règles de base du Machine Learning, de connaître les familles d’algorithmes et de répondre aux questions Qu’est-ce la data science, le Machine Learning, le Deep Learning, le big data et l’intelligence artificielle ?


OBJECTIFS

Se familiariser avec les règles du Machine Learning
Connaître les familles d’algorithmes
Développer quelques algorithmes pour appréhender le travail sur les variables et l’optimisation des erreurs de modélisation

PUBLIC VISE

Ingénieurs et techniciens en bureau d’études ou tout autre personne utilisant de la modélisation de données

PREREQUIS

Connaissance en programmation Python, les librairies scikit-learn et pandas seront utilisés.
Les mathématiques (moyenne, médiane, variance, calcul de distances, dérivées, etc.) seront utilisées
Un PC avec webcam, haut-parleur et micro et une liaison Internet sont requis.

INTERVENANT

Data scientist / expert du Machine Learning
Le programme CAP’TRONIC aide, chaque année, 400 entreprises à monter en compétences sur les technologies liées aux systèmes électroniques et logiciel embarqué.

PRIX

Non-adhérent : 1 000€ HT
Adhérent CAP’TRONIC : 800€ HT

Remarque : Jessica France est titulaire d’un numéro d’agrément de formation continue et est référencé DATADOCK depuis le 1er juillet 2017. Cette formation est éligible au financement par votre Opérateur de Compétences (OPCO) hors CPF.
JPEG

LIEU

Formation à distance : Les accès à un outil informatique en ligne adapté seront fournis au stagiaire avant le démarrage de la formation. Aucun logiciel spécifique n’est à installer. Seule une connexion à Internet est requise

PROGRAMME sur 4 demi-journées

1. Les grands principes du Machine Learning
1.1 Les modélisations supervisées, non-supervisées et par renforcement
1.2 Les étapes de construction d’un modèle
1.3 L’évaluation des modèles
Pratique : Évaluer et comparer des modèles préparés pour l’exercice

2. Préparation des variables
2.1 La nature statistique des données et leurs dimensions
2.2 Représenter les variables, Détecter les données aberrantes
2.3 Le ré-échantillonnage de variables
2.4 Réduire le set de variables pour un modèle, faire avec les multi-colinéarités
2.5 Traiter les classes rares

3. Les algorithmes
3.1 Présentation de modèles
Régression linéaire simple, multiple, polynomiale.
Régression logistique Classification hiérarchique et non hiérarchique (K-means)
Classification par arbres de décision et ensemble Naïve Bayes, Random Forest
Machines à vecteurs supports
Méthodes à noyaux
Gradient Boosting
Réseau neuronal
3.2 Mise en pratique
Chaque modèle est accompagné d’un exemple pré-codé. Les exercices s’intercalent dans la présentation pour permettre à chaque équipe de tester les modèles sur leur propre jeu de données.

ORGANISATION

Moyens pédagogiques : Outil de visioconférence - Support de cours - Etude de cas et TP – assistance pédagogique assurée par le formateur pour une durée de 2 mois suivant la formation
Moyens permettant d’apprécier les résultats de l’action : Evaluation de l’action de formation par l’envoi d’un questionnaire de satisfaction à chaud à l’issue de la formation, puis d’un questionnaire à froid quelques semaines après la formation.
Moyen permettant de suivre l’exécution de l’action : Evaluation des connaissances via un questionnaire avant et après la formation.
Sanction de la formation : Attestation d’assiduité

RENSEIGNEMENTS ET INSCRIPTION

Bérénice RABIA, rabia@captronic.fr - 06 09 86 49 44
Pour toute question y compris les conditions d’accès pour les publics en situation de handicap.

Inscription en ligne

Les inscriptions sont closes. Pour connaitre les prochaines sessions de formation sur l’Intelligence Artificielle, cliquez ici

Informations mises à jour le 03/03/2021

info portfolio