Formation Cycle certifiant Machine Learning et Deep Learning avec Python

Big Data Analytics avec Python, modélisation et représentation des données

• Introduction à la modélisation.
• Procédures d'évaluation de modèles.
• Les algorithmes supervisés (régression multi variée, polynomiale, régularisée, logistique et le Naive Bayes).
• Les algorithmes non supervisés (clustering hiérarchique, non hiérarchique et approches mixtes).
• Analyse en composantes. Analyse de données textuelles.

Travaux pratiques
Développement et réalisation d'analyses sur le logiciel Python, avec les modules pandas, NumPy, SciPy, MatPlotLib, seaborn, scikit-learn et statsmodels, etc.

Machine learning, méthodes et solutions

• Introduction au machine learning.
• Les modèles prédictifs, l'approche fréquentiste.
• Les modèles et apprentissages bayésiens (modèles graphiques, méthodes bayésiennes et modèles markoviens).
• Machine learning en production.

Travaux pratiques
Évaluation et comparaison des différents algorithmes. Mise en œuvre des familles d'algorithmes en utilisant des jeux de données variés. Mise en production d'un modèle prédictif avec l'intégration dans des processus de batch et dans des flux de traitements, etc.

Deep learning par la pratique

• Introduction au deep learning. Évolution des réseaux de neurones et les raisons du succès actuel.
• Introduction aux réseaux de neurones artificiels. Entraînement de réseaux de neurones profonds.
• Réseaux de neurones convolutifs (CCN). Réseaux de neurones récurrents (RNN).
• Deep learning avec Keras (régression logistique, perceptron, réseaux de neurones convolutifs).
• Autoencodeurs.

Travaux pratiques
Mise en œuvre d'un réseau de neurones à la manière du framework TensorFlow. Mise en œuvre des CNN, des RNN, de Keras et des autoencodeurs en utilisant des jeux de données variés, etc.

Text mining pour le machine learning et le deep learning

• Les approches traditionnelles en text mining.
• Feature Engineering pour la représentation de texte.
• La similarité des textes et classification non supervisée.
• La classification supervisée du texte.
• Natural Language Processing et deep learning.

Travaux pratiques
La recherche des documents, la préparation, la transformation et la vectorisation des données en DataFrame. Mise en place des opérations d’extraction des caractéristiques de données textuelles afin d’effectuer des classifications, etc.

Présentation des épreuves

• Rappel des points essentiels vus pendant le cycle certifiant.
• Présentation des épreuves écrites, orales et des travaux pratiques (documents ressources, durée, plan de passage etc.).
• Échanges avec l'intervenant.

Épreuve écrite

• Questionnaire de connaissances sur les principaux cours du cycle certifiant.
• Épreuve sous forme de questionnaire à choix multiples.

Travaux pratiques

• Définition d’un problème de machine learning à partir d’un besoin et d’une base de données.
• Transformation de la base avec Pandas (Python Data Analysis Library).
• Apprentissage d’une solution qui servira de baseline à l’aide d’un algorithme.
• Apprentissage d’une solution utilisant du deep learning.