Être capable de mettre en oeuvre SciKit-learn pour de l'apprentissage machine et l'analyse de données
Comprendre comment collecter les données et les préparer pour un traitement efficient
Savoir modéliser les données et optimiser les modèles
Être en mesure d’industrialiser et de déployer une application de prédiction
- .Développement
- Python
Formation L’apprentissage Machine en Python (SciKit-Learn)
Objectifs
Prérequis
Connaissance de Python et d'une bibliothèque de calcul telle que Numpy ou Pandas
Public
Chefs de projet et data-scientists souhaitant comprendre le fonctionnement de SciKit-learn
Formation(s) associée(s)
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…
Compte Personnel de Formation
Toutes nos formations sont éligibles au titre du CPF. Contactez nous pour être accompagné dans la démarche (formation@access-it.fr/0320619506)
Présentiel
Formations intra ou interentreprises, cours officiels ou création de contenu spécifique, nos formations sauront répondre à vos attentes.
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
L’ÉCOSYSTÈME SCIKIT LEARN
Origine
Missions et évolutions
Architecture
Modules
Atelier pratique : Installation de l’écosystème (PC, MAC, LINUX)
Missions et évolutions
Architecture
Modules
Atelier pratique : Installation de l’écosystème (PC, MAC, LINUX)
Module 2
LA RÉCUPÉRATION DE DONNÉES
L’API dédiée aux jeux de données
Problématique des grands jeux de données
Les jeux de données internes au framework
La génération de données artificielles
L’accès aux données ouvertes
Méthodologies de chargement de données externes
Atelier pratique : Collecte de données sur un cas concret
Problématique des grands jeux de données
Les jeux de données internes au framework
La génération de données artificielles
L’accès aux données ouvertes
Méthodologies de chargement de données externes
Atelier pratique : Collecte de données sur un cas concret
Module 3
LE PRÉTRAITEMENT
Cadre et rôle du prétraitement
Méthodes de mise à l’échelle des données
Normalisation des données
Traitement des données catégorielles
Traitement des données manquantes
Atelier pratique : Prétraitement des données dans un cas concret
Méthodes de mise à l’échelle des données
Normalisation des données
Traitement des données catégorielles
Traitement des données manquantes
Atelier pratique : Prétraitement des données dans un cas concret
Module 4
L'INGÉNIERIE DES VARIABLES PRÉDICTIVES
Cadre et rôle de l'ingénierie des variables prédictives
Transformations non linéaires
Algorithmes de réduction dimensionnelle de données
L’extraction automatique de traits (textes, images)
Combinaison et transformations ad-hoc des données
Atelier pratique : Ingénierie des variables prédictives sur un cas concret
Transformations non linéaires
Algorithmes de réduction dimensionnelle de données
L’extraction automatique de traits (textes, images)
Combinaison et transformations ad-hoc des données
Atelier pratique : Ingénierie des variables prédictives sur un cas concret
Module 5
LA MODÉLISATION
Cartographie des algorithmes de l’écosystème
Tour de l’apprentissage supervisé avec SciKit Learn
Tour de l’apprentissage non supervisé avec SciKit Learn
En pratique, mode de sélection d’algorithmes pertinents
Atelier pratique : L’apprentissage supervisé et non supervisé sur cas concrets
Tour de l’apprentissage supervisé avec SciKit Learn
Tour de l’apprentissage non supervisé avec SciKit Learn
En pratique, mode de sélection d’algorithmes pertinents
Atelier pratique : L’apprentissage supervisé et non supervisé sur cas concrets
Module 6
SÉLECTION ET OPTIMISATION DES MODÈLES
Présentation et usage des outils de combinaison et de chaînage de processus
L’évaluation de performance par validation-croisée
Le réglage des hyper-paramètres d’un modèle
Les APIs d’évaluation des modèles de prédiction
Les différentes courbes d’évaluations de modèles de prédictions
Atelier pratique : Sélection de modèle, et optimisation des réglages
L’évaluation de performance par validation-croisée
Le réglage des hyper-paramètres d’un modèle
Les APIs d’évaluation des modèles de prédiction
Les différentes courbes d’évaluations de modèles de prédictions
Atelier pratique : Sélection de modèle, et optimisation des réglages
Module 7
BONNES PRATIQUES SCIKIT LEARN : INDUSTRIALISATION ET DÉPLOIEMENT
Persistance des modèles
Scaling des applications de prédictions avec SciKit Learn
Problématiques de latence et de débit à l’exécution
La parallélisation
La gestion de l’environnement Python associé
Atelier pratique : Industrialisation d’une application de prédiction
Scaling des applications de prédictions avec SciKit Learn
Problématiques de latence et de débit à l’exécution
La parallélisation
La gestion de l’environnement Python associé
Atelier pratique : Industrialisation d’une application de prédiction
Les prochaines
sessions de formation
Sur demande
Vous souhaitez organiser cette formation à une date spécifique ?
Contactez-nous en remplissant le formulaire ci-dessous
