À l’issue de la formation, le participant sera capable de :
Appliquer des algorithmes de machine learning
Identifier les limites du machine learning
Mesurer la fiabilité d’un modèle
Comparer différents algorithmes
- BDD & Décisionnel
- Python
Formation Introduction au machine learning avec Python
Objectifs
Prérequis
Maîtriser les librairies scientifiques NumPy et pandas ou avoir suivi la formation ‘Python Scientifique’.
Public
Techniciens, ingénieurs, développeurs, scientifiques, enseignants.
Formation(s) associée(s)
Dernière mise à jour
Programme mis à jour le 16 mars 2023
Bon à savoir
Evaluez votre niveau
Pour vous aider à bien choisir votre formation, nous vous proposons soit un entretien avec le formateur soit un test d’évaluation. Cela vous assurera que vous disposez des connaissances nécessaires pour suivre la formation dans des conditions optimales.
Formations modulables
Toutes nos formations sont disponibles en présentiel comme en distanciel, en mode coaching individuel ou en groupe de 3 à 6 participants maximum.
Travaux pratiques
Nos formations comprennent de nombreux travaux pratiques pour un meilleur apprentissage (60 % de pratique). Nous proposons également de travailler sur vos données pour une meilleure expérience.
A distance / Classe virtuelle
En classe virtuelle, vous êtes en totale immersion avec le groupe et participez à la formation dans les mêmes conditions que le présentiel : cours théorique, travaux pratiques, échanges en temps réel avec le formateur et les autres stagiaires…
Un cadre Maîtrisé
3 à 6 participants maximum par session pour respecter les objectifs et résultats attendus et pour permettre la réalisation de tous les ateliers pratiques dans de bonnes conditions.
Les + d'une formation Access it
Des formations d'excellence, éligibles CPF, disponibles en distanciel, et animées par des consultants experts passionnés par leur métier.
Les Modules
de formation
Module 1
Introduction
Qu’est-ce que le machine learning ?
Pourquoi Python pour le machine learning ?
Pourquoi utiliser le machine learning ?
Apprentissage supervisé
Apprentissage non-supervisé
Apprentissage par renforcement
Les défis du machine learning
Module 2
Les étapes d’un projet machine learning
Récupérer des données
Visualiser des données
Préparer et nettoyer les données
Sélectionner et entraîner un modèle
Mesurer la fiabilité d’un modèle
Module 3
Algorithmes de machine learning : théorie et pratique avec scikit-learn
Classification
Régression
SVM
Clustering
Arbres de décision
Forêts aléatoires
Réduction de dimension
Les prochaines
sessions de formation
Sur demande
Vous souhaitez organiser cette formation à une date spécifique ?
Contactez-nous en remplissant le formulaire ci-dessous
17 avril 2023
05 juin 2023
31 juillet 2023
02 octobre 2023
